基于动态不确定因果图理论开发的人工智能诊断模型对呼吸困难为主诉疾病的鉴别诊断效果评估
论文标题：Development of an artificial intelligence diagnostic model based on dynamic uncertain causality graph for the differential diagnosis of dyspnea (基于动态不确定因果图理论开发的人工智能诊断模型对呼吸困难为主诉疾病的鉴别诊断效果评估)
作者：Yang Jiao, Zhan Zhang, Ting Zhang, Wen Shi, Yan Zhu, Jie Hu, Qin Zhang
发表时间：16 Jul 2020
导 读 北京协和医院焦洋和清华大学张勤等在Frontiers of Medicine 发表研究论文《基于动态不确定因果图理论开发的人工智能诊断模型对呼吸困难为主诉疾病的鉴别诊断效果评估》（Development of an artificial intelligence diagnostic model based on dynamic uncertain causality graph for the differential diagnosis of dyspnea）。
人工智能（AI）辅助诊断近年飞速发展。在目前发展已经比较成熟的病理、放射影像及皮肤疾病诊断等方面，AI辅助诊断的准确性甚至可超过专科医生的平均诊断水平。但是，主流AI技术的突破和应用仅集中在基于模式识别的临床诊断判定。在临床诊疗工作中需求更为广泛的基于逻辑推理的疾病诊断方面仍是研发的难点。动态不确定因果图（dynamic uncertain causality graph, DUCG）理论是为克服国际上流行的处理不确定因果知识的表达和推理模型贝叶斯网络的缺陷而提出的。目前已应用于复杂工业系统进行故障诊断。
作者团队通过利用北京协和医院多学科疑难病诊断的丰富临床经验，经过一系列探索性研究，逐步完善建立了基于逻辑推理的人工智能辅助诊断系统。研究证实该人工智能诊断系统可弥补个人知识和专业经验的限制，可显著提升全科诊断效能。这一结果拟推广助力基层全科医生，从而为我国医疗卫生系统提供具有高成本效益的医疗质量提升方案。
摘 要 基于动态不确定因果图 (DUCG)理论建立以呼吸困难症状为主诉疾病的人工智能辅助诊断模型，并验证其诊断价值。结合临床专家经验和流行病学数据，确定呼吸困难为主诉的疾病库，优化疾病库内各疾病的诊断与鉴别诊断路径；然后根据DUCG理论的不确定因果知识表达方法，通过DUCG知识库编辑器，构建人工智能辅助诊断模型；筛选2013 年1 月至2018 年12月一家三级医院电子信息病历系统内主诉为呼吸困难的住院患者病历，随机选择确诊为疾病库内的每个病种的病例，利用DUCG测试平台和推理机进行测试，验证模型的诊断准确性。以呼吸困难症状为主诉的常见疾病库包含疾病和综合征28种。构建的人工智能辅助诊断模型共包含132个症状、体征、血清学和影像学的结果变量。按筛选条件纳入验证病例数为202例，195例诊断正确，整体模型诊断准确率为96.5%。基于DUCG 的人工智能诊断模型可弥补个人知识和专业经验的限制，达到较高的诊断准确性，其未来应用可为提升我国卫生服务质量提供符合成本效益的医疗解决方案。
