贝叶斯网络
Bayesian Network（贝叶斯网络），又称信念网络（Belief Network），是一种概率图模型。它利用有向无环图（DAG）来可视化地描述一组随机变量（如疾病、症状、危险因素）及其条件依赖关系。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，是构建具有可解释性（Explainable AI）的临床决策支持系统的首选模型。
解剖结构：节点与连边
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：
文件:Bayesian network medical diagnosis example
1. DAG (有向无环图) - 定性部分
• 节点 (Nodes)： 代表变量。例如：[吸烟]、[肺癌]、[咳嗽]。
• 有向边 (Edges)： 代表因果或依赖关系。例如：[吸烟] → [肺癌] → [咳嗽]。
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。
2. CPT (条件概率表) - 定量部分
每个节点都附带一个表，量化了它受父节点影响的程度。
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%。
双向推理能力
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：
| 推理类型 | 方向 | 临床场景 |
|---|---|---|
| 因果推理 (Causal) | 因 → 果 (Top-down) | 风险预测。 已知病人吸烟且高龄（因），预测他未来患肺癌（果）的概率。 |
| 诊断推理 (Diagnostic) | 果 → 因 (Bottom-up) | 疾病诊断。 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 溯因推理 的数学实现。 |
PK：贝叶斯网络 vs 神经网络
在 AI 医生开发中，这是两种截然不同的技术路线。
-
神经网络 (Deep Learning)：
优势： 感知能力极强（看图、看病理切片）。
劣势： 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。 -
贝叶斯网络 (Bayesian Network)：
优势： 可解释。它能展示完整的推理链条。允许融合专家知识（可以手动设定概率，不完全依赖数据）。
劣势： 难以处理非结构化数据（如图像、文本）。
关键参考文献
[1] Pearl J. (1985). Bayesian Networks: A Model of Self-Activated Memory for Evidential Reasoning.
[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。
[2] Heckerman D, et al. (1992). Toward a normative expert system: The Pathfinder project. Academic Press.
[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。