马尔可夫逻辑网络
Parent: ai_keywords
马尔可夫逻辑网络
核心定义
马尔可夫逻辑网络（Markov Logic Network, MLN）是一种概率图模型，它巧妙融合了一阶逻辑的符号推理能力与马尔可夫网络的概率不确定性处理机制。每个逻辑子句被赋予实数权重，权重越大表示该约束在现实中越可能成立。MLN 通过将逻辑公式“软”化为特征函数，在马尔可夫网络中将知识表示与数据驱动学习统一，完美契合临床医学中复杂、不确定、依赖先验知识的推理需求。
关键技术点
- 加权逻辑公式：每条一阶逻辑规则（如“吸烟 ∧ 基因突变 → 肺癌”）附带权重，权重通过学习自动调整，使得规则不再绝对化，而是允许例外，这非常适合医学中“大多数但不绝对”的规律。
- 概率推理：将逻辑公式转换为马尔可夫网络中的团势函数，利用吉布斯采样、信念传播等无向图推理算法，在给定证据（如患者检测结果）下计算查询变量的后验概率（如卒中风险）。
- 权重学习：采用判别式训练（如最大似然或基于谓词的伪似然）优化权重，能从电子病历数据中自动学习临床指南的置信度，避免人工定义阈值。
- 有限域假设：MLN 默认在有限对象集合上操作，适合处理特定患者群体（如一个医院数周内的病人数据），支持近似推理规模可控。
医学/神经科学应用场景
在首都医科大学神经病学研究所，MLN 被用于癫痫灶定位与发作预测。临床实践中，医生整合长程脑电图（EEG）棘波、MRI 海马硬化、症状学模式（如自动症）及药物反应等异质信号，但这些证据常相互矛盾（如EEG提示颞叶却MRI正常）。MLN 可编码如下软逻辑：
重量权重1：EEG_左颞棘波 ∧ MRI_海马硬化 → 左颞叶癫痫重量权重2：自动症 ∧ 意识模糊 → 颞叶癫痫重量权重3：抗癫痫药无效 ∧ MRI正常 → 颞叶外癫痫
通过患者个体数据（EEG、MRI、症状、疗效）作为证据，MLN 推理输出各脑区致痫的后验概率，进而指导立体脑电图（SEEG）电极植入规划。该模型自动捕捉跨模态关联的不确定性（如 MRI 阴性患者的近皮质来源），提升难治性癫痫的术前评估精度，为神经调控提供量化依据。
