概率论

Parent: ai_keywords

概率论

核心定义

概率论是研究随机现象统计规律性的数学分支，通过量化不确定性为系统建模与决策提供理论框架。其核心在于定义随机试验、事件及概率测度，并通过公理化体系（Kolmogorov公理）建立严格的演绎基础。

关键技术点

1. 概率空间与条件概率
   三元组（Ω, F, P）构成概率空间，条件概率P(A|B) = P(A∩B)/P(B) 是贝叶斯推理的基石，用于更新已知信息下的不确定性。

2. 随机变量与概率分布
   随机变量将样本空间映射至实数，通过概率质量/密度函数描述分布。常见分布（如高斯、泊松）为神经生理信号（如动作电位间隔、EEG振幅）建模提供基础。

3. 大数定律与中心极限定理
   大数定律保证样本均值依概率收敛于期望；中心极限定理指出大量独立随机变量之和近似正态分布，支撑群体水平临床研究统计推断（如t检验、置信区间）。

4. 贝叶斯推理
   后验概率 ∝ 先验概率 × 似然，融合先验知识与观察数据，在医学诊断中动态更新疾病概率（如脑卒中风险分层）。

医学/神经科学应用场景

脑卒中功能预后预测
首都医科大学神经病学团队（宣武医院）应用贝叶斯概率模型，整合多模态影像（DWI、CT灌注）与临床变量（年龄、NIHSS评分），构建急性缺血性脑卒中90天mRS评分（0-6分残障等级）的概率预测系统。该模型利用马尔可夫链蒙特卡洛（MCMC）采样估计后验分布，逐患者输出良好预后（mRS≤2）概率，AUC达0.87，显著优于传统logistic回归。这一框架将概率论的不确定性量化能力直接嵌入个体化治疗决策，实现了从群体统计到精准神经重症管理的跨跃。