AIME 87: European Conference on Artificial Intelligence in Medicine Marseilles, August 31st – September 3rd 1987 Proceedings

کمبود فعلی سیستم‌های خبره که در آن استدلال مبتنی بر نظریه احتمال بیزی است ممکن است به دلیل تصورات نادرست درباره احتمالات موجود در ادبیات باشد. همانطور که توسط Cheeseman (1985) استدلال می شود، این تصورات غلط منجر به این نگرش شده است: "رویکرد بیزی کار نمی کند - بنابراین در اینجا یک طرح جدید است". چندین مورد از این سیستم‌های خبره مبتنی بر مفاهیم موقتی \"احتمال\" به روش‌های مختلفی موفق بوده‌اند و لزوم توانایی مدیریت عدم قطعیت در سیستم‌های خبره پزشکی را نشان می‌دهند. آنها همچنین نیاز به مدیریت تئوری صحیح عدم قطعیت را نشان می دهند. در اندرسن و همکاران. (1986) فرض بر این بود که دانش سازماندهی شده در یک شبکه علّی می تواند برای یک رویکرد واحد به وظایف اصلی یک سیستم خبره پزشکی استفاده شود: تشخیص، برنامه ریزی آزمایش ها و توضیحات. مقاله حاضر این فرض را در یک شبکه احتمالی علی بررسی می کند. همچنین نشانی عملی ارائه می دهد که مشکلات ظاهراً مرتبط با شبکه های احتمالی یا وجود ندارند یا راه حل های عملی می توان یافت. این مقاله در مورد روش های پیاده سازی شده در MUNIN* -یک سیستم خبره برای الکترومیوگرافی (EMG) گزارش می دهد (Andreassen et al. 1987). EMG تشخیص بیماری های عضلانی و عصبی از طریق تجزیه و تحلیل سیگنال های بیوالکتریک از بافت عضلانی و عصبی است. در Andreassen et al.

The current scarcity of expert systems where the reasoning is based on Bayesian probability theory may be due to misconceptions about probabilities found in the literature. As argued by Cheeseman (1985), these misconceptions have led to the attitude: "The Bayesian approach doesn't work - so here is a new scheme". Several of these expert systems based on ad hoc "probability" concepts have been successful in a number of ways, demonstrating the necessity of being able to handle uncertainty in medical expert systems. They also demonstrate the need for a theoretically sound handling of uncertainty. In Andersen et al. (1986) it was postulated that knowledge organized in a causal network can be used for a unified approach to the main tasks of a medical expert system: diagnosis, planning of tests and explanations. The present paper explores this postulate in a causal probabilistic network. It also provides a practical demonstration that the problems supposedly associated with probabilistic networks are either non-existent or that practical solutions can be found. This paper reports on the methods implemented in MUNIN* -an expert system for electromyography (EMG) (Andreassen et al. 1987). EMG is the diagnosis of muscle and nerve diseases through analysis of bioelectrical signals from muscle and nerve tissue. In Andreassen et al.