皮膚病理非感染性全身性水泡病診斷決策支援系統
中文摘要
忙碌的臨床醫師在面臨病患時，常常要及時下正確的診斷以便盡快給予病人治療，本研究藉由建立一個皮膚病理診斷 決策協助系統，協助醫師在皮膚科的非感染性全身性水泡病 (Generalized Blistering Diseases - GBD) 領域做臨床診斷決 策。並透過 Internet 來使用 WWW 使用者介面，而不受作業系統及地理區隔之限制。由於臨床皮膚病理學推論機制上的不確定性，在 GBD 領域，運用 Multi-membership Bayesian Formulation 的機率性推 論知識表現法，來發展將醫學知識轉化為知識庫，而能為電腦所用的知識工程過程，以建造該領域醫學知識庫。在這 個知識工程的過程中，主要的人力包括皮膚病理學專家、協調主持人、知識工程師及程式設計人員。在整個計畫的前 幾個月首先發展出 WWW 介面架構的介殼系統 (System Shell) ，此介殼系統包括推論引擎與使用者介面等，接著以近 六個月的時間隔週開會，建造出資料辭典與知識庫，在系統整合完成後並進行系列的測試評估。
在建造醫學知識庫方面， GBD 領域內的每個疾病，以一個 Bayesian 框架 (Frame) 來代表，每個框架由該疾病的診斷 條件 (Findings) 組成，並設定每個框架的 Apriori 與每個診斷條件的 True Positive Rate (TPR), False Positive Rate (FPR)
， 由知識工程人員聚會討論，將皮膚病理學專家的知識數據化、規則化，來建立這些診斷條件 , Apriori, TPR, FPR ， 並從學術文獻中搜尋參考相關之數據及知識，以協助知識工程之完整性及客觀性。在知識工程完成後再請不同的皮膚 病理學專家協助，讓知識庫中可能有爭議性的項目，透過 Delphi method 達成共同之客觀結論。在醫院中或國際學術 文獻期刊上發表的臨床病理討論病例，被選用為臨床測試對像，並針對知識庫做最後的修正。
在 Bayesian Formulation 的機率性推論知識表現法方面，是假設在每個框架內的診斷條件之間是條件獨立 (condition in dependent) 的，以避免系統會對相關診斷條件產生機率推估過高 (overconfidence) 現像，本研究則對非條件獨立 (non-i ndependence) 的診斷條件，採取調整 TPR 與 FPR 的做法，以提高最後機率計算的正確性。
這個系統知識庫總共建造了 11 個代表 GBD 領域疾病的框架，資料辭典中共有 90 個診斷條件或疾病項目，每個框架 約有 5 到 10 個代表臨床、光學顯微鏡及免疫病理學方面的診斷條件，共 171 個代表 Apriori, TPR, FPR 的機率數據。
從學術文獻期刊中取得 28 個臨床病理病例做為測試對像，其中 25 個測試病例能正確的將最可能的疾病機率計算出來
，即使不是本系統的 11 個疾病項目，而是其中疾病的變化型，本系統所計算出的診斷，亦為最接近其原型的可能疾 病，參與計畫的皮膚病理學專家認為這個系統符合可用性。
建造 web-based 介殼系統的診斷決策支援系統有幾項優點， (1) 在不同地域的眾多使用者，可以同時維護同一醫學知 識庫，橫跨不同國家的醫學專家可以共同合作建造同一系統。 (2) 只要具備能連接上 Internet ，並擁有 WWW 瀏覽 器的電腦環境， 就可以使用本系統，並不需要額外購買或裝置軟硬體。 (3) 不同醫學科別領域的多種醫學知識庫，
能夠共同建置在同一系統中，做到跨醫學科別領域的診斷決策支援與臨床教學用途。
建置機率性推論的 web-based 皮膚病理學診斷支援系統，除了在診斷決策支援與臨床教學用途有所幫助之外，在發展 知識工程的過程中，對這個醫學領域的知識能夠有更清楚的認識，對將來發展皮膚科的證據醫學亦將有所助益。
