用于乳腺癌治疗中风险识别与医院选择的粗立方直觉模糊软关系框架

为何选择合适的医院如此棘手

当面对乳腺癌时，医生需要权衡许多不确定的线索：肿瘤大小、影像扫描、淋巴结受累情况、家族史等。这些信息没有一项是完全清晰的，专家可能会犹豫或意见不合。本文提出了一种新的数学决策工具，用以驾驭这种不确定性，帮助临床医生识别高风险患者并将其匹配到最合适的医院，同时忠实呈现已知、可疑与模糊的信息边界。

“是”、“否”和“不确定”的多重层次

传统决策模型通常把信息视为真或假，或至多沿着从0到1的一条模糊刻度。真实的医学数据更为丰富和混乱。一个检测结果既可能部分支持诊断，又可能部分反驳，同时仍留有疑问。本研究的框架同时跟踪四个方面：证据支持陈述的强度（隶属度）、反对陈述的强度（非隶属度）、剩余的真实犹豫量，以及这些值可能覆盖的区间宽度。它不把所有不确定性压缩为一个数值，而是将其表示为一个小型的数据“立方体”，既捕捉信念的程度，也捕捉信念的扩展范围。

将患者、检测结果和医院连接起来

在这种多层次不确定性描述之上，作者加入了另一个要素：软关系。这些是不同对象集合之间的灵活联系——例如患者与诊断因素之间、诊断因素与医院之间。每条联系可以是弱或强，并且因情境或专家而异。通过将这些联系与立方体式的不确定性结合，模型能够构建风险的下近似和上近似：一个保守的估计用于确定谁肯定是高风险，以及一个更宽松的边界，涵盖在当前疑虑下可能为高风险的人群。

聚焦乳腺癌风险与医院选择

为展示该方法的实际运行，作者构建了一个案例研究，涉及五名假想乳腺癌患者和四个临床重要因素：肿瘤大小、影像中肿瘤形态的一致性、淋巴结状态和家族史。专家使用新的不确定性立方体对每个患者—因素对表达意见。然后，框架通过连接患者与医院的软关系传播这些信息，计算反映证据与犹豫的评分。在示例中，一名患者明显表现为当前风险最高，而在考虑未来发展可能性时，家族史成为单一最具影响力的因素。

优于以往的决策工具

团队将他们的方法与若干基于模糊集、直觉模糊集和粗糙集的既有方法进行了比较。那些早期工具要么能测量部分真实性，要么能划定清晰边界，但难以统一处理重叠的不确定性、区间范围和专家犹豫。使用相同数据，新框架在高低风险组之间产生了更紧凑的边界，减少了决策模糊的“灰色地带”。定量测试表明，该方法产生了更高的累积分数，指示更清晰、更果断的近似；定性分析则表明，面对复杂的多准则选择时，它也更易解释。

从乳腺癌到更广泛的现实决策

尽管论文聚焦于乳腺癌风险与医院选择，作者强调他们的框架是一种通用决策引擎，适用于数据不完整、冲突或不精确的任何情形。环境政策、金融风险评估、工程设计以及多专家的小组决策等领域都可以应用。对于非专业读者的主要信息是：更好的数学不确定性处理能够支持更透明、可辩护的选择——清楚地突出哪些患者最安全、哪些最有风险，以及我们对这些判断应有多少信心，而不是用单一过度简化的分数掩盖疑虑。

引用: Bashir, S., Shabir, M., Bibi, A. et al. Rough cubic intuitionistic fuzzy soft relation framework for risk identification and hospital selection in breast cancer treatment. Sci Rep 16, 9141 (2026). https://doi.org/10.1038/s41598-026-35732-x

关键词: 乳腺癌风险, 医疗决策支持, 不确定性建模, 医院选择, 模糊粗糙集