[论文解读] On Appropriate Selection of Fuzzy Aggregation Operators in Medical Decision Support System

K. M. Motahar Hossain, Zahir Raihan+1 more|arXiv (Cornell University)|Apr 9, 2013

Multi-Criteria Decision Making参考文献 6被引用 9

一句话总结

本文提出一种数据驱动方法，用于在医疗决策支持系统（DSS）中选择最优的模糊聚合算子，通过专家指导的经验测试来匹配人类决策模式。通过在测试案例上评估参数化和非参数化算子，并选择使准确率最大化的阈值，该方法实现了与临床指南高度一致的DSS输出。

ABSTRACT

The Decision Support System (DSS) contains more than one antecedent and the degrees of strength of the antecedents need to be combined to determine the overall strength of the rule consequent. The membership values of the linguistic variables in Fuzzy have to be combined using an aggregation operator. But it is not feasible to predefine the form of aggregation operators in decision making. Instead, each rule should be found based on the feeling of the experts and on their actual decision pattern over the set of typical examples. Thus this work illustrates how the choice of aggregation operators is intended to mimic human decision making and can be selected and adjusted to fit empirical data, a series of test cases. Both parametrized and nonparametrized aggregation operators are adapted to fit empirical data. Moreover, they provided compensatory properties and, therefore, seemed to produce a better decision support system. To solve the problem, a threshold point from the output of the aggregation operators is chosen as the separation point between two classes. The best achieved accuracy is chosen as the appropriate aggregation operator. Thus a medical decision can be generated which is very close to a practitioner's guideline.

研究动机与目标

• 解决在医疗DSS中选择合适模糊聚合算子的挑战，其中规则结论取决于组合隶属度值。
• 通过结合专家知识与实证数据，调整聚合算子以建模人类在医疗诊断中的决策行为。
• 通过在测试案例上系统评估，识别表现最佳的聚合算子，从而提高决策支持的准确性。
• 通过聚合过程保持补偿性属性，以实现更真实、更均衡的医疗决策结果。
• 建立基于阈值的分类系统，以实现最高准确率的诊断结果分离。

提出的方法

• 使用一组典型的医疗决策案例，对参数化和非参数化模糊聚合算子进行经验评估。
• 以专家决策模式作为基准，指导选择最能模拟人类推理的聚合算子。
• 在每个聚合算子的输出上应用阈值点，将结果分类为两类诊断类别。
• 选择在所有测试案例中实现最高分类准确率的聚合算子作为最优选择。
• 优先选择补偿性聚合算子，以在决策结果中保持平衡与真实感。
• 通过与临床指南对比验证所选算子，确保其与临床医生决策模式一致。

实验结果

研究问题

• RQ1 哪种模糊聚合算子在医疗诊断中能最接近地复制专家决策模式？
• RQ2 如何将参数化和非参数化聚合算子适配到实证医疗数据中，以提升DSS性能？
• RQ3 在模糊医疗决策支持系统中，何种阈值能最大化分类准确率？
• RQ4 补偿性聚合算子在多大程度上提升了医疗决策结果的真实感与准确性？
• RQ5 基于数据的聚合算子选择能否产生与既定临床指南高度一致的结果？

主要发现

• 所提出的方法通过在实证测试案例上匹配专家决策模式，成功识别出最合适的模糊聚合算子。
• 发现补偿性聚合算子相比非补偿性替代方案，能产生更真实、更均衡的决策结果。
• 表现最佳的聚合算子在分类医疗案例方面实现了最高准确率，其结果与临床指南高度一致。
• 使用最优算子的基于阈值的分类方法实现了诊断类别之间的清晰分离，提升了系统的可靠性。
• 将专家知识与实证数据选择相结合，提高了决策支持系统的整体有效性与实用性。
• 该方法表明，预先定义聚合算子并非最优；相反，基于数据的选择在真实医疗应用中表现更优。