[论文解读] Higher Order Programming to Mine Knowledge for a Modern Medical Expert System

Nittaya Kerdprasop, Kittisak Kerdprasop|arXiv (Cornell University)|Jul 23, 2011

Data Mining Algorithms and Applications参考文献 32被引用 4

一句话总结

本文提出了一种基于高阶和元级编程的逻辑编程框架，利用Prolog从电子健康数据中挖掘医学知识。该框架支持模式匹配与规则提取，用于医学决策支持，所发现的知识可用于数据验证与集成，展示了在现代医疗系统中可扩展的、基于逻辑的知识发现方法。

ABSTRACT

Knowledge mining is the process of deriving new and useful knowledge from vast volumes of data and background knowledge. Modern healthcare organizations regularly generate huge amount of electronic data stored in the databases. These data are a valuable resource for mining useful knowledge to help medical practitioners making appropriate and accurate decision on the diagnosis and treatment of diseases. In this paper, we propose the design of a novel medical expert system based on a logic-programming framework. The proposed system includes a knowledge-mining component as a repertoire of tools for discovering useful knowledge. The implementation of classification and association mining tools based on the higher order and meta-level programming schemes using Prolog has been presented to express the power of logic-based language. Such language also provides a pattern matching facility, which is an essential function for the development of knowledge-intensive tasks. Besides the major goal of medical decision support, the knowledge discovered by our logic-based knowledge-mining component can also be deployed as background knowledge to pre-treatment data from other sources as well as to guard the data repositories against constraint violation. A framework for knowledge deployment is also presented.

研究动机与目标

• 解决从大规模电子病历中提取可操作知识的挑战。
• 设计一种基于逻辑的框架，支持医疗数据中的自动化知识发现。
• 利用Prolog中的高阶和元级编程技术，实现表达性强且可重用的规则挖掘。
• 支持挖掘出的知识在数据验证和预处理过滤中的部署。
• 为医学专家系统中的知识挖掘与知识利用提供统一系统。

提出的方法

• 在Prolog中采用高阶编程，抽象并泛化模式匹配逻辑，以实现知识提取。
• 实施元级编程技术，实现在执行过程中对规则的内省与操作。
• 在逻辑编程范式内设计分类与关联挖掘工具，用于医疗数据。
• 利用Prolog内置的模式匹配与合一机制，实现高效规则发现与验证。
• 将知识挖掘组件与医学专家系统集成，以支持决策。
• 提出一种框架，将挖掘出的知识作为背景知识和约束检查器进行部署。

实验结果

研究问题

• RQ1 如何利用Prolog中的高阶编程自动化从电子病历中发现知识？
• RQ2 元级编程在增强医学规则提取的表达性与可重用性方面发挥什么作用？
• RQ3 基于逻辑的挖掘工具能否有效支持临床数据中的分类与关联规则生成？
• RQ4 挖掘出的知识如何在诊断之外被重用，例如用于数据验证与完整性保障？
• RQ5 将基于逻辑的知识挖掘组件集成到现代医学专家系统中是否可行？

主要发现

• 所提出的系统成功实现了基于高阶和元级Prolog编程的分类与关联挖掘工具。
• Prolog中的模式匹配能力可实现从临床数据中高效且灵活的规则发现。
• 挖掘出的知识不仅可用于诊断，还可用于强制执行数据约束并确保数据质量。
• 该框架支持将发现的知识作为外部数据处理流水线中的背景知识进行部署。
• 该方法在从结构化数据中挖掘复杂医学知识方面表现出可扩展性与表达性。
• 该系统提供从数据到决策支持的统一流水线，并内置验证机制。