1、目前CBR醫(yī)療輔助診斷系統(tǒng)相似度準則不能隨案例增加進行更新，無法實現(xiàn)動態(tài)學習，模型檢索效率隨案例庫規(guī)模增加而降低，在醫(yī)療數(shù)據(jù)缺失條件下診斷準確性較低。針對這些問題，建立貝葉斯網(wǎng)絡-基于案例推理(BN-CBR)混合診斷模型，解決醫(yī)療診斷數(shù)據(jù)缺失問題，滿足案例庫更新要求，提高診斷效率與正確性。
　　 論文將貝葉斯網(wǎng)絡(BN)與基于案例推理方法(CBR)結合建立BN-CBR混合診斷模型。模型以CBR作為基本的推理機制，通過檢索以往案例

2、為當前診斷問題提供決策支持。BN作為一種數(shù)據(jù)挖掘工具對案例庫進行學習獲得診斷屬性間存在的潛在關聯(lián)知識，將這些知識通過相似度評價函數(shù)反映到模型的案例檢索過程中。在此基礎上，提出通過K-D樹算法組織案例庫，按照診斷屬性權重將案例庫劃分為不同的案例子集，模型在各案例子集中進行檢索，這樣大大壓縮了檢索空間，提高案例檢索效率。利用信息增益算法從大量診斷屬性中篩選最優(yōu)屬性子集，利用自省學習方法為每個屬性分配權重。提出了通過人機結合方式進行案例改寫和