从专家诊病模型实例理解智慧医疗大数据

大数据可谓是当红炸子鸡，对于它的应用场景，人们已经做了充分的想象，很多也在逐步落地，比如智慧医疗。医疗行业正更多的融入人工智慧、传感技术等高科技，使医疗服务走向真正意义的智能化。

面对不同受众，智慧医疗有着不同的内涵。对于公众，意味着更便捷可及的医疗服务；对于医护人员，不仅可以提高诊疗速度，还可以让诊疗更加精准，通过大量的数据分析支持他们的诊断。这里就不得不提到专家系统，它应该是一个典型的医疗应用，是大数据和人工智能的紧密结合。

专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。简言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。专家系统的发展已经历了3个阶段，正向第四代过渡和发展。第一代专家系统（dendral、macsyma等）以高度专业化、求解专门问题的能力强为特点。但在体系结构的完整性、可移植性、系统的透明性和灵活性等方面存在缺陷，求解问题的能力弱。第二代专家系统（mycin、casnet、prospector、hearsay等）属单学科专业型、应用型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所改进。第三代专家系统属多学科综合型系统，采用多种人工智能语言，综合采用各种知识表示方法和多种推理机制及控制策略，并开始运用各种知识工程语言、骨架系统及专家系统开发工具和环境来研制大型综合专家系统。在总结前三代专家系统的设计方法和实现技术的基础上，已开始采用大型多专家协作系统、多种知识表示、综合知识库、自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工神经网络知识获取及学习机制等最新人工智能技术来实现具有多知识库、多主体的第四代专家系统。

笔者尝试使用SmartMining敏捷挖掘桌面版来探索依托大数据如何构建专家诊病模型。之所以选择SmartMining，是因为它“简单而不失内涵”。它的操作真的够简单，全程可视化，不用编程，这点对笔者的吸引力很大。当然，喜欢R语言的朋友也可以在这里找到感觉，因为它集成了R，算法很丰富。而且SmartMining还很贴心的内置了很多示例，让用户不费力就能进入数据挖掘的世界。

专家诊病模型就是SmartMining自带示例之一，是以决策树算法为背景，通过可视化探索数据实现决策树同样的计算结果。配套的示例教程对整个过程的讲解清晰且生动有趣，笔者跟随教程进行了学习，从中大大受益。

从专家系统模型的知识点来说，有这么几个需要提醒：

1、数据质量和完整性永远是数据挖掘工作中不可回避的基础问题。没有足够的历史数据量，或者数据质量（本例中可理解为误诊）不可信，都会造成机器学习的失败（这个道理就是“Gabagein,gabageout”）。因此、各种数据的探索、统计、处理工作是非常关键的！

2、建模不是一次性的工作，需要反复的训练、评估和优化。通常优化模型有三种办法：第一，增加新数据，以便引入更多重要的影响因素；第二，尝试其他模型，以便找到更适合的模型；第三，优化输入，即基于已有数据派生更多重要的变量，或者过滤不重要的变量。这三者中，第一种最难以实现，一般企业的数据是有限的，企业内部可用数据及外部可用网络数据，在项目需求调研阶段就应该明确，而企业外部行业数据难以获取。第二种最容易尝试，所有可用模型可以快速尝试一遍，这个是每个项目中都必做的，但却不是最重要的方法。而第三种方法才是项目中最可行，也是最重要的办法。

3、无论何时，都要把商业应用作为始终的目标，不要出现“过拟合”、“追求漂亮”和“炫特技”，能用简单图形分析的，绝不用算法，能用成熟模型的，尽量不要自己去编程序！

此下是安利部分示例内容，感兴趣的朋友可以访问链接http://wiki.smartbi.com.cn/pages/viewpage.action?pageId=17958343查看详细内容。

1 可视化界面。无须编码，通过拖拽、配置功能节点，以工作流的形式展现挖掘过程，挖掘思路清晰可见。

2 支持各种数据源。SmartMining可导入各种类型数据，该示例的数据源是csv文件。

3 图形化探索。数据挖掘的一个核心工作就是图形化探索，SmartMining使用eCharts进行可视化展现，用户可以视觉愉悦地寻找图形中的规律，打开挖掘思路。

4 算法丰富，适用不同层次用户。SmartMining不仅集成了R，而且在很多模型和算法中都有自动选择模型和专家调整模型两种方式。对于一般应用，只需要按自动选择模型方式运行就可以生成满意结果，对于专业分析人员，则可以通过专家调整模型方式调整模型中的相应参数，衍生出很多种不同的模型，从而生成更加理想的模型。

专家诊病模型让笔者体验了一把用AOSP-SM方法进行数据挖掘的魅力，通过实际操作也感受到了软件工具的人性化和强大功能。相信看了详细步骤后，您不仅能学会实际的数据挖掘操作，更可以体会专家作者十多年的数据挖掘建模的体会和经验，学以致用，将这些实用的技术方法用在日常工作当中！

本文转自d1net（转载）