https://www.yiliao.com/index.php?action=history&feed=atom&title=%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%BD%91%E7%BB%9C
贝叶斯网络 - 版本历史
2026-04-19T14:32:25Z
本wiki的该页面的版本历史
MediaWiki 1.35.1
https://www.yiliao.com/index.php?title=%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%BD%91%E7%BB%9C&diff=312638&oldid=prev
77921020：建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面
2026-01-04T01:08:13Z
<p>建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面</p>
<p><b>新页面</b></p><div><div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff; max-width: 1200px; margin: auto;"><br />
<br />
<div style="margin-bottom: 30px; border-bottom: 1.2px solid #e2e8f0; padding-bottom: 25px;"><br />
<p style="font-size: 1.1em; margin: 10px 0; color: #334155; text-align: justify;"><br />
<strong>Bayesian Network</strong>（<strong>贝叶斯网络</strong>），又称信念网络（Belief Network），是一种概率图模型。它利用<strong>[[有向无环图]]</strong>（DAG）来可视化地描述一组随机变量（如疾病、症状、危险因素）及其<strong>[[条件依赖]]</strong>关系。如果说神经网络是模仿人脑的直觉（黑盒），那么贝叶斯网络就是模仿医生的逻辑（白盒）。它不仅能计算患病概率，还能清晰地展示因果路径，是构建具有<strong>[[可解释性]]</strong>（Explainable AI）的临床决策支持系统的首选模型。<br />
</p><br />
</div><br />
<br />
<div class="medical-infobox mw-collapsible mw-collapsed" style="width: 100%; max-width: 320px; margin: 0 auto 35px auto; border: 1.2px solid #bae6fd; border-radius: 12px; background-color: #ffffff; box-shadow: 0 8px 20px rgba(0,0,0,0.05); overflow: hidden;"><br />
<br />
<div style="padding: 15px; color: #1e40af; background: linear-gradient(135deg, #e0f2fe 0%, #bae6fd 100%); text-align: center; cursor: pointer;"><br />
<div style="font-size: 1.2em; font-weight: bold; letter-spacing: 1.2px;">Bayesian Network</div><br />
<div style="font-size: 0.7em; opacity: 0.85; margin-top: 4px; white-space: nowrap;">(点击展开)</div><br />
</div><br />
<br />
<div class="mw-collapsible-content"><br />
<div style="padding: 25px; text-align: center; background-color: #f8fafc;"><br />
<div style="display: inline-block; background: #ffffff; border: 1px solid #e2e8f0; border-radius: 12px; padding: 20px; box-shadow: 0 4px 10px rgba(0,0,0,0.04);"><br />
[[Image:Bayesian_Network_DAG.png|100px|有向无环图]]<br />
</div><br />
<div style="font-size: 0.8em; color: #64748b; margin-top: 12px; font-weight: 600;">可解释的因果推理模型</div><br />
</div><br />
<br />
<table style="width: 100%; border-spacing: 0; border-collapse: collapse; font-size: 0.85em;"><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0; width: 40%;">奠基人</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">[[Judea Pearl]] (图灵奖得主)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">核心结构</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">DAG (图) + CPT (概率表)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">推理方向</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">预测 (因→果), 诊断 (果→因)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">数据要求</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">可融合专家知识 (小数据友好)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569;">核心标签</th><br />
<td style="padding: 6px 12px; color: #1e40af;">[[因果推断]], [[白盒模型]]</td><br />
</tr><br />
</table><br />
</div><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">解剖结构：节点与连边</h2><br />
<br />
<p style="margin: 15px 0; text-align: justify;"><br />
一个贝叶斯网络由两部分组成，完美对应了医生的知识结构：<br />
</p><br />
[[Image:Bayesian network medical diagnosis example]]<br />
<br />
<div style="margin-bottom: 25px; border: 1px solid #e2e8f0; border-radius: 8px; padding: 20px; background-color: #ffffff;"><br />
<h3 style="margin-top: 0; color: #1e40af; font-size: 1.1em; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">1. DAG (有向无环图) - 定性部分</h3><br />
<p style="text-align: justify; color: #334155;"><br />
• <strong>节点 (Nodes)：</strong> 代表变量。例如：[吸烟]、[肺癌]、[咳嗽]。<br />
<br>• <strong>有向边 (Edges)：</strong> 代表因果或依赖关系。例如：[吸烟] → [肺癌] → [咳嗽]。<br />
<br>这部分结构通常可以由医学专家直接绘制（专家知识），也可以从数据中学习。<br />
</p><br />
</div><br />
<br />
<div style="margin-bottom: 25px; border: 1px solid #e2e8f0; border-radius: 8px; padding: 20px; background-color: #f8fafc;"><br />
<h3 style="margin-top: 0; color: #b91c1c; font-size: 1.1em; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">2. CPT (条件概率表) - 定量部分</h3><br />
<p style="text-align: justify; color: #334155;"><br />
每个节点都附带一个表，量化了它受父节点影响的程度。<br />
<br>例如：在 [肺癌] 节点下，CPT 会告诉我们：如果 [吸烟=True]，患肺癌的概率是 X%；如果 [吸烟=False]，患肺癌的概率是 Y%。<br />
</p><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">双向推理能力</h2><br />
<br />
<p style="margin: 15px 0; text-align: justify;"><br />
贝叶斯网络最强大的地方在于它支持双向推理，这恰好对应了医疗的两个核心场景：<br />
</p><br />
<br />
<div style="overflow-x: auto; margin: 30px auto; max-width: 100%;"><br />
<table style="width: 100%; border-collapse: collapse; border: 1.2px solid #cbd5e1; font-size: 0.9em; text-align: left;"><br />
<tr style="background-color: #f1f5f9; border-bottom: 2px solid #0f172a;"><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #0f172a; width: 25%;">推理类型</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #475569;">方向</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #1e40af;">临床场景</th><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #ffffff;">[[因果推理]] (Causal)</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;">因 → 果 (Top-down)</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>风险预测。</strong><br>已知病人吸烟且高龄（因），预测他未来患肺癌（果）的概率。</td><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #f8fafc;">[[诊断推理]] (Diagnostic)</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;">果 → 因 (Bottom-up)</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>疾病诊断。</strong><br>已知病人咯血且胸痛（果），反推最可能导致该症状的基础疾病（因）。这是 <strong>[[溯因推理]]</strong> 的数学实现。</td><br />
</tr><br />
</table><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">PK：贝叶斯网络 vs 神经网络</h2><br />
<br />
<p style="margin: 15px 0; text-align: justify;"><br />
在 AI 医生开发中，这是两种截然不同的技术路线。<br />
</p><br />
<br />
<ul style="list-style-type: none; padding-left: 0;"><br />
<li style="margin-bottom: 20px; border-left: 4px solid #b91c1c; padding-left: 15px;"><br />
<strong>神经网络 (Deep Learning)：</strong><br />
<br><span style="color: #334155;"><strong>优势：</strong> 感知能力极强（看图、看病理切片）。</span><br />
<br><span style="color: #64748b;"><strong>劣势：</strong> 黑盒。它告诉你“是肺癌”，但无法告诉你“因为A导致了B”。需要海量数据训练。</span><br />
</li><br />
<li style="margin-bottom: 20px; border-left: 4px solid #1e40af; padding-left: 15px;"><br />
<strong>贝叶斯网络 (Bayesian Network)：</strong><br />
<br><span style="color: #334155;"><strong>优势：</strong> 可解释。它能展示完整的推理链条。允许融合<strong>[[专家知识]]</strong>（可以手动设定概率，不完全依赖数据）。</span><br />
<br><span style="color: #64748b;"><strong>劣势：</strong> 难以处理非结构化数据（如图像、文本）。</span><br />
</li><br />
</ul><br />
<br />
<div style="font-size: 0.92em; line-height: 1.6; color: #1e293b; margin-top: 50px; border-top: 2px solid #0f172a; padding: 15px 25px; background-color: #f8fafc; border-radius: 0 0 10px 10px;"><br />
<span style="color: #0f172a; font-weight: bold; font-size: 1.05em; display: inline-block; margin-bottom: 15px;">关键参考文献</span><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[1] <strong>Pearl J. (1985).</strong> <em>Bayesian Networks: A Model of Self-Activated Memory for Evidential Reasoning.</em><br><br />
<span style="color: #475569;">[起源]：Judea Pearl 首次提出贝叶斯网络，将概率论引入了当时由规则主导的 AI 领域，为处理不确定性奠定了基础。</span><br />
</p><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[2] <strong>Heckerman D, et al. (1992).</strong> <em>Toward a normative expert system: The Pathfinder project.</em> <strong>[[Academic Press]]</strong>.<br><br />
<span style="color: #475569;">[经典案例]：介绍了 Pathfinder 系统，这是一个用于淋巴结病理诊断的贝叶斯网络，其诊断准确率超过了当时大多数人类专家，是 Med-AI 的里程碑。</span><br />
</p><br />
</div><br />
<br />
<div style="margin: 40px 0; border: 1px solid #e2e8f0; border-radius: 8px; overflow: hidden; font-family: 'Helvetica Neue', Arial, sans-serif; font-size: 0.9em;"><br />
<div style="background-color: #eff6ff; color: #1e40af; padding: 8px 15px; font-weight: bold; text-align: center; border-bottom: 1px solid #dbeafe;"><br />
贝叶斯网络 · 知识图谱<br />
</div><br />
<table style="width: 100%; border-collapse: collapse; background-color: #ffffff;"><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">上级概念</td><br />
<td style="padding: 10px 15px; color: #334155;">[[概率图模型]] (PGM) • [[机器学习]]</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">关键特性</td><br />
<td style="padding: 10px 15px; color: #334155;">[[条件独立性]] (Markov Blanket) • [[因果图]]</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">应用工具</td><br />
<td style="padding: 10px 15px; color: #334155;">[[Netica]] • [[GeNIe]] • [[pgmpy]] (Python库)</td><br />
</tr><br />
<tr><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">进阶变体</td><br />
<td style="padding: 10px 15px; color: #334155;">[[动态贝叶斯网络]] (DBN, 处理时间序列) • [[马尔可夫网络]]</td><br />
</tr><br />
</table><br />
</div><br />
<br />
</div></div>
77921020