Self-Learning for a. Bayesian Knowledge Base: How Long Does It Take for the Machine to Educate Itself?

Summary

A model system has been described which generates “cases” of vaginal discharge. The system was used to define a knowledge base for the application of Bayes’ theorem to the diagnosis of individual cases; this simulation is equivalent to self-learning in an expert system. By using different numbers of cases to define the knowledge base, it was possible to estimate the minimum size of knowledge base required for consistent and accurate diagnosis. The minimum size was found to vary according to the aspect of diagnosis examined. Thus, for overall correct diagnoses at least 200 cases were required, while failure to identify “non-specific” cases was eliminated with only 20 cases in the knowledge base. A simulation of this type is of potential practical value in determining the number of cases required in the knowledge base for a Bayesian system.

Es wird ein Modell beschrieben, das »Fälle« von Ausfluß generiert. Das System wurde benutzt, um eine Wissensbank für die Anwendung des Bayes’schen Theorems auf die Diagnose einzelner Fälle zu definieren; diese Simulierung entspricht der Erfahrungssammlung in einem Expertensystem. Durch die Verwendung einer unterschiedlichen Anzahl von Fällen zur Definition der Wissensbank war es möglich, die Mindestgröße der Wissensbank zu schätzen, die für eine konsistente und genaue Diagnose erforderlich ist. Es wurde festgestellt, daß die Minimumgröße je nach dem untersuchten Aspekt der Diagnose variiert. So waren für durchweg korrekte Diagnosen mindestens 200 Fälle erforderlich, während bei nur 20 Fällen in der Wissensbank bereits eine Identifizierung »nichtspezifischer« Fälle möglich war. Eine Simulierung dieser Art besitzt einen potentiellen praktischen Wert bei der Bestimmung der in der Wissensbank für ein Bayes’sches System erforderlichen Fallzahl.

Key-Words

Bayes’ Theorem - Expert Systems - Learning - Vaginal Discharge

Schlüssel-Wörter

Bayes’sches Theorem - Expertensysteme - Erwerb von Erfahrungen - Ausfluß

• REFERENCES

• 1 Adler M. W, Belsey E. M. The value of genital symptoms and signs in women. Brit. J. Family Plan 1984; 10: 84-88.
• 2 Chard T. Expert systems in gynaecology: a model system to demonstrate how Bayes’ theorem might work in a case of vaginal discharge. J. Obstet. Gynaec 1986; 6: 284-289.
• 3 Chard T. Human versus machine: a comparison of a computer “expert system” with human experts in the diagnosis of vaginal discharge. Int. J. bio-med. Comp 1987; 20: 71-78.
• 4 de Dombal F. T, Horrocks J. C, Stani-land J. K. Production of artificial “case histories” by using a small computer. Brit. med. J 1971; II: 578-581.
• 5 Dolan J. G, Bordley D. R, Mushlin A. I. An evaluation of clinicians’ subjective prior probability estimates. Med. Decision Making 1986; 6: 216-223.
• 6 Friedrich Jr F. G. Vaginitis. Amer. Obstet. Gynecol 1985; 152: 247-251.
• 7 Fryback D. G. Bayes’ theorem and conditional nonindependence of data in medical diagnosis. Comp. biomed. Res 1978; 11: 423-434.
• 8 Grove W. M. Bootstrapping diagnoses using Bayes’ theorem: its not worth the trouble. J. Consul. clin. Psychol 1985; 53: 261-263.
• 9 Kronmal R. A, Fisher L. D. The effect of assuming independence in applying Bayes’ theorem to risk estimation and classification diagnosis. Comp. biomed. Res 1983; 16: 537-552.
• 10 Rorer L. G, Dawes R. M. A base-rate bootstrap. J. Consul. clin. Psychol 1982; 50: 419-425.
• 11 Sweet R. L. Importance of differential diagnosis in acute vaginitis. Amer. J. Obstet. Gynecol 1985; 152: 921-923.