内科疾病可以分解为一系列的基因表达模式异常，可以在不同层次体现不同的性质如细胞层次的组织变更（增生萎缩分化肥大），从底到顶，在机体层次有各种病理表现。我们可以以不同的层次的宏观机制来懂得，如免疫系统的异常。我们要治疗，不仅仅要靶定表达具有特异性的对象如酶、激素等等，可能我们需要以另一个思维来懂得疾病，如傅里叶变换的思路（时域的持续信号变更转换为频域的组合）。比较玄幻的观点是分解为经脉穴位系统（压痛点等等可能是不动点），这实际上是一种本质主义（所谓的本质就是直指病因），存在一种高维的对象能够吸收低维层次的复杂变更（类似微积分），我们能够通过对这些高维的对象处理来起到治疗的作用。比如中医的病气、邪气等等概念，假如经脉通畅那么疾病可以消往。这种经脉不畅的观点就是提取出如同频域的基础对象，我们能够通过这些线性无关的基底的选择性组合来断定治疗方案。可能这种解释是中医的理论的数学基础。

方剂实在就是一种对应的解，能够满足人体的复杂情况构建的微分方程模型。而具体的中药实在我们视为一种基底，而具体的剂量就是这些基底的加权，其组合起来就是高维空间的特定向量。而我们存在那么多的中药作为基底，要搜索可能的组合就是不可能的，我们需要各种先验的智商来搜索我们搜索的领域，如我们进行药性的划分（类似于分阴阳），然后在这个基础进一步分类，然落后行组合（药性相克来中和等等，君臣佐使等等），存储起来有意义的组合（各种成熟的方剂，运用贪心算法的思想）。具体的配比可以懂得为参数的断定，我们可以运用梯度降落法等等来断定。我们可以将具体的基础和治疗都以必定的函数来表现，()=∑^，我们可以以任意精度来逼近可能的实际上存在的情况。

当然，理论上我们需要进行细化的分解才干得到更加准确的成果，但是我们在足够高维层次的运算也是很是很重要的，实际上我们的医生就是在这些宏观层次的功效更加断定性的接洽，如同机器学习/深度学习的暗躲层的映射构建。比如说各种症状常见于那些疾病，哪些疾病的范例症状和不范例的症状，这是都是高维层次的数据集，我们医学的学习就是通过这些练习集的练习才干在大脑构建起必定的函数，能够实现各种功效如诊断等等。毕竟以面向对象的思想来考虑医生，就是能够实现病人的症状/问诊/查体/实验室检查/影像学检查等等数据的输进能够得到特定疾病的诊断作为输出的函数。

在这个高维的层次，我们可以综合考虑各种数据的综合，以贝叶斯运算的方法不断地提升不同疾病的可能概率，然后根据概率的排序的先后次序来排查，假如不能排除就视为我们找到诊断的成果，这个过程我们就是我医生考虑多信息的具体流程。在具体的临床实践中，医生就是通过各种具有高证据强度的信息来领导诊断（特点寻找和线性组合），如各种特点性病变能够快速得出经典疾病的诊断。而且疾病的产生发展是一个动态的过程，可以把具体的症状分解为更底层的病理病活力制，甚至到解剖学，组织学和分子层次的机制，我们需要考虑到疾病可能是各种各样的底层因素综合作用的成果（懂得为线性组合的某个向量，不同的组合对应的不同向量就能够对应于不同的疾病），通过考虑多个细节能够最后收敛到不动点，即我们认为的病因，从而能够针对性地对症下药，起到四两拨千斤的作用，使得别人恢复健康。这种不动点的病因思想就是本质主义的一个经典利用，我们认为能够通过盘算机来收敛到特定的值以实现这种诊断。这样可以减少医生应用不同的药物，进行不同的检测来压缩可能的疾病领域的操作，即减少本钱来搜索得到收敛的成果。而这种排除就是一般辨别诊断思路。

实验室检查，能够供给很多可以定量的数据，理论上，只要指标足够多，我们能够对所有的病人都做必定的分类，然后根据群体层次上特定分类的人能够获益的方法（循证医学），实行个体化的医疗。当然，这有必定的风险，就是过于细化，以至于只见树木不见森林。我们如何能够把握更重要的本质，我们盼看能够如同微积分基础定理那样，能够通过低维层次的无穷累加来逼近高维层次。可以预感，这也是盘算量相当惊人的。我们通过指标的丈量，以及根据经验学习制度的意义，最后能够集成起来，应用必定的算法如分类算法，模仿医生得到诊断。

医学影像学()是以医学影像为基础，集线、盘算机体层摄影（）、核磁共振成像（r）、数字减影（）正电子体层（）、核医学、超声学（）、放射治疗及参与治疗学等多学科有机联合的综合诊疗学科。多维度的数占有助于我们对于疾病有更加准确的诊断。重点在于创造特异性变更，即对应于各种疾病的病灶，我们通过火析这些差别能够获得有意义的信息。联合以上已有的诊断思维，我们可以大大节俭运算的规模，我们可以不断地分类（当然，也有可能被医生毛病的经验引进歧途，这是一个衡量，但学习经验总是很好的一个切进口）。我们认为，数据分析的气力在于能够同时分析多个指标（贝叶
本章未完，请翻下一页继续阅读......... 学医路漫漫 最新章节第一百零二章实验室检查/影像检查对疾病的建模,网址：https://www.555d.org/383_383912/105.html