一种以人为本的模糊决策支持系统：使用模糊认知图进行医学诊断

为何这项新的医疗工具很重要

当医生评估患者是否可能患有心脏病、癌症或其他严重疾病时，他们同时权衡许多线索：化验结果的数值、疼痛的描述、影像检查、以及多年临床经验。许多计算程序可以在这些数据中发现模式，但它们常常像密封的黑箱，其内在逻辑难以观察或质疑。本文介绍了一种决策支持工具，旨在更像临床医生的思维方式，使用模糊的风险层次而非僵化的二元规则，同时保持足够的开放性，让医学专家可以检查并调整其内部机制。

将软性逻辑与医学推理结合

该研究基于人工智能的两类思想。其一是模糊逻辑，它允许诸如“血压高”之类的说法部分成立，而不强制划定一个尖锐的界限。其二是模糊认知图，这是一种概念网络，节点表示临床概念（如症状、检查发现或疾病风险），箭头表示一个概念如何提升或抑制另一个概念。在医学中，这类图受欢迎，因为它们反映了临床医生的表达和推理方式，并且概念之间的连接可以被展示和讨论。但传统的图在专家选定连接后通常是固定的，这使得它们在指南、数据或患者人群发生变化时适应较慢。

让数据学习同时由专家掌控

所提出的以人为本模糊决策支持系统（HCFDSS）试图在专家知识与数据学习之间取得平衡。它将流程分为两个回路。在内回路中，模型将患者的模糊化特征输入概念网络，运行直至达到代表诊断建议的稳定激活模式。在外回路中，概念间连接强度被温和地调整以更好地拟合临床数据，同时保持在合理的界限内。关键在于，医生可以审查特定连接并提出修正，系统随后将这些人工调整与数据驱动的更新进行融合，而不是盲目地用一种覆盖另一种。

一个简单的心脏病示例

为展示该方法的工作原理，论文给出一个包含高血压、胸痛和心脏病三个概念的小示例。网络以专家选定的连接开始，例如胸痛会增加心脏病的概率。当处理一个样本患者时，模型预测出某种疾病激活水平。随后，临床医生检查该图并认为胸痛到心脏病的那条连接比仅由数据学习得出的值应略强一些。在专家将该单一连接向上微调后，网络再次运行，心脏病的激活略有上升，可能使决策从阴性转为阳性。这一变化易于追溯与说明，因为它沿着命名概念的可见路径发生，而非通过隐藏的数值特征。

在真实和模拟数据上的系统测试

在玩具示例之外，作者设计了一个谨慎的评估方案，使用模拟临床场景以及三个著名的公开数据集（心脏病、乳腺癌和帕金森病）。系统的预测与多个基准进行比较，包括固定专家图、未受专家指导的学习图，以及常见的机器学习方法（如逻辑回归、支持向量机、随机森林、梯度提升、近邻和神经网络）。研究还测试了在部分数据缺失、类别不平衡和专家影响强弱变化时该方法的鲁棒性。一个特殊评分跟踪学习到的连接在多大程度上保持与原始专家设计相同的医学含义和方向。

这对未来医疗支持工具意味着什么

结果表明，尽管该新系统在原始准确性上并不总是超越标准机器学习模型，但通常能接近其表现，同时保持完全可检查的结构。特别地，它在学习过程中保留了专家对各活动连接的预期符号与作用。对非专业读者而言，结论是：该框架不在于构建一个完美的自动诊断器，而在于创建一个清晰且可编辑的图谱，供医生和计算系统共享。它为临床医生提供了一种查看模型如何得出建议、检验该推理是否符合医学理解，并在新的证据或经验表明某些关系应改变时温和地引导系统的方式。

引用: Zakaria, A. A human-centric fuzzy decision support system for medical diagnosis using fuzzy cognitive maps. Sci Rep 16, 15336 (2026). https://doi.org/10.1038/s41598-026-51590-z

关键词: 模糊认知图, 医疗决策支持, 可解释的人工智能, 专家在回路中, 临床诊断