诊断过程模拟优化——决策树

决策树是最接近人类思考模式的一种机器学习算法，也是最容易理解的，也是应用最广泛的，值得一谈。

临床诊断过程的思维模式，是一个逐步决策的过程，实质上也是一个根据输入条件，进行分类的过程。输入条件包括各种临床表现、检查结果，输出的则是诊断和下一步处理意见，例如手术、还是保守治疗。

决策树算法事实上也是在解决分类问题，机器学习当中，首先需要对已经有结论的数据进行学习，学习的结果就长成了一棵"决策树"。决策的起点是"根节点"，根据条件进行逐层分类，逐步形成了"决策节点"，"分支"和最终的"叶节点"。

机器采取的方法大致是"分而治之"，第一种是"Divide and Conquer"，第二种是"Separate and Conquer"，区别是划分样本和建立规则的方式不同。但结果都是形成可读规则构成的树状决策流程。

根据数据复杂程度和算法参数设置不同，树可以变得非常复杂。算法的一个重要步骤是"修剪"，即根据对准确性、敏感度和特异度的要求进行调整。很大程度上要保证准确率、敏感度和特异度的平衡。

在临床上，决策树非常适用于建立临床路径一类的规则，目前的路径建立基本上都以专家共识为主建立。如果通过机器学习，利用决策树算法不断优化和总结，无论是改进现有路径，还是辅助医生实施路径，都有较大的空间，最大程度上降低漏诊和误诊的概率。例如，在急腹症的诊断中，因忘记除外宫外孕造成漏诊的案例并不少见，而利用计算机辅助决策则很容易避免。机器学习大量数据可能发现人类可能忽视的规则组合，例如某项血液、检查指标和阑尾炎的关系等等。

在决策树的基础上，结合其他算法，可能会形成"回归决策树"，"贝叶斯决策树"，"随机森林"（随机产生多棵决策树再组合选择）等其他算法。

决策树算法，在算法分类中，属于『贪心算法』（Greedy Algorithm），即分步骤进行，每一步都是在获取局部最优解，并不能保证最终整体的最优。这又何尝不是人类思维的一个局限。

注：图片来自网络