[论文解读] Case Base Mining for Adaptation Knowledge Acquisition

Mathieu d’Aquin, Fadi Badra+4 more|ArXiv.org|Mar 30, 2007

AI-based Problem Solving and Planning参考文献 14被引用 44

一句话总结

该论文提出CabamakA，一种半自动系统，通过数据挖掘技术（特别是频繁闭项集（FCI）提取）从案例库中挖掘领域特定的案例推理适应规则。该系统成功提取了可解释的适应规则，例如根据肿瘤大小和年龄将部分乳房切除术替换为根治性乳房切除术，展示了知识发现与肿瘤学中案例推理决策支持之间实用的桥梁。

ABSTRACT

In case-based reasoning, the adaptation of a source case in order to solve the target problem is at the same time crucial and difficult to implement. The reason for this difficulty is that, in general, adaptation strongly depends on domain-dependent knowledge. This fact motivates research on adaptation knowledge acquisition (AKA). This paper presents an approach to AKA based on the principles and techniques of knowledge discovery from databases and data-mining. It is implemented in CABAMAKA, a system that explores the variations within the case base to elicit adaptation knowledge. This system has been successfully tested in an application of case-based reasoning to decision support in the domain of breast cancer treatment.

研究动机与目标

• 为解决案例推理（CBR）中获取领域依赖适应知识的挑战，该挑战虽关键但难以手动实现。
• 开发一个可重用的半自动系统，利用数据库知识发现（KDD）技术，从现有案例库中提取适应规则。
• 从乳腺癌治疗决策支持领域的临床案例数据中提取可解释、可重用的适应规则。
• 探索使用频繁闭项集（FCI）挖掘作为发现案例适应元知识机制的可行性。
• 通过潜在的层次结构或聚类，简化领域专家对发现的适应规则的展示与组织。

提出的方法

• 该系统应用KDD原则处理案例库，将其视为知识库，以提取关于适应的元知识。
• 使用类似Charm的算法从源案例对中提取频繁闭项集（FCIs），捕捉问题与解决方案中共享和不同的特征。
• 每个FCI代表一个潜在的适应规则，其中问题和解决方案特征在案例间以正（+）、负（-）或相等（=）标记。
• 该系统将适应建模为三步过程：(1) 识别源问题与目标问题之间的差异，(2) 推导解决方案的修改方式，(3) 应用修改以生成目标解决方案。
• 通过使用领域本体（OWL DL）表示案例特征，确保规则提取过程中的语义一致性。
• 该方法通过以结构化、可解释的格式呈现规则，支持专家验证；未来工作旨在对FCI进行聚类或分层组织，以提升可用性。

实验结果

研究问题

• RQ1 数据挖掘技术，特别是FCI提取，能否有效应用于案例库，以发现可用于CBR的可重用适应规则？
• RQ2 如何从现有案例库中半自动地获取适应知识，而无需完全依赖专家获取？
• RQ3 在真实世界的医疗决策支持背景下，通过KDD技术发现的适应规则的形式与可解释性如何？
• RQ4 发现的规则能否通过聚类或层次结构等方式有意义地组织，以减轻领域专家的认知负荷？
• RQ5 所提取规则的组合在多大程度上可用于推导出最小的、闭包闭集的基本适应规则？

主要发现

• CabamakA成功提取了一条具体的适应规则：若源案例涉及年龄小于70岁、肿瘤小于4厘米且处方为部分乳房切除术与淋巴结刮匙术，则对于目标案例中肿瘤≥4厘米的情况，应将部分乳房切除术替换为根治性乳房切除术。
• 该系统表明，从案例对中进行FCI挖掘可产生可解释且与领域相关的适应规则，即使在乳腺癌治疗等复杂医学领域亦然。
• 初步实验显示，当按相似性阈值（k=1至10）过滤案例对时，规则质量无显著提升，表明所有案例对可能均对规则发现具有价值。
• 该方法能够发现元知识——即基于问题差异修改解决方案的规则——从而形式化隐含的适应专业知识。
• 该系统支持未来在规则组合与最小规则集发现方面的工作，旨在减少专家验证大量提取规则所需的工作量。
• 由于使用标准OWL DL表示案例与本体，该方法可在CBR应用中重复使用。