贝叶斯网络
Parent: ai_keywords
核心定义
贝叶斯网络（Bayesian Network, BN）是一种基于概率图模型的数学框架，利用有向无环图（DAG）表示一组随机变量间的条件依赖关系。节点代表变量，有向边刻画因果或统计关联，每个节点附有条件概率表（CPT），量化其在父节点取值下的条件分布。通过贝叶斯定理，BN能够在不完全信息下进行概率推理与不确定推理，是融合先验知识与观测数据的强有力工具。
关键技术点
-
图结构与独立性
DAG中的缺失边隐含条件独立假设（如Markov性质：给定父节点，节点与非后代条件独立）。这一性质极大简化了联合概率的分解：
[ P(X_1,\dots,X_n)=\prod_{i=1}^n P(X_i \mid \text{Pa}(X_i)) ] -
条件概率表（CPT）
每个节点存储给定父节点所有组合下的概率值。参数可通过专家知识或最大似然估计/贝叶斯估计从数据中学习，支持连续变量离散化或参数化分布（如高斯BN）。 -
推理算法
- 精确推理：变量消除、团树传播（Junction Tree），适用于小规模网络。
- 近似推理：重要性采样、马尔可夫链蒙特卡洛（MCMC）、变分推理，适用于高维或环状结构。
-
学习机制
- 结构学习：基于评分搜索（如BIC、BDeu）或条件独立测试（如PC算法），从数据中自动发现变量间的拓扑关系。
- 参数学习：在已知结构下，利用最大似然估计或贝叶斯后验最大化（引入先验）拟合CPT。
-
因果推断扩展
通过干预（do-operator）和反事实推理，BN可作为因果图的特例（需满足因果Markov条件），支持“如果施加干预，结果如何变化”的询问，区别于纯关联分析。
医学/神经科学应用场景：脑卒中后功能障碍预测
结合首都医科大学神经病学研究背景，BN可用于构建急性缺血性脑卒中后3个月功能预后预测模型。
- 变量定义：节点包括年龄、NIHSS评分、梗死部位（如皮层/基底节）、心房颤动史、再灌注治疗方式（溶栓/取栓）、高敏C反应蛋白等。
- 图结构设计：基于临床指南与文献，确定变量间的因果依赖（例如，房颤→心源性栓塞→梗死部位→NIHSS评分→功能预后），并利用结构学习从大型卒中登记数据（如北京天坛医院数据库）调整边方向。
- 推理任务：输入患者入院时的观测证据（如NIHSS=12，房颤阳性），通过变量消除算法计算“不良预后（mRS≥3）”的后验概率，并进一步模拟“若取栓成功”的干预效果（do–operator），为临床决策提供概率化风险分层。
- 优势：相比传统Logistic回归，BN能优雅处理缺失数据（如部分检查未完成）、可视化变量间的非线性依赖，并支持“what–if”问答，尤其适用于临床研究中的因果探寻与个性化预测。
