Many AI systems have been developed for clinical diagnoses, in which most of them lack interpretability in both knowledge representation and inference results. The newly developed Dynamic Uncertain Causality Graph (DUCG) is a probabilistic graphical model with strong interpretability. However, existing DUCG is mainly for fault diagnoses of large, complex industrial systems. In this paper, we extend DUCG for better application in general clinical diagnoses. Four extensions are introduced: (1) special logic gate and zoom function event variables to represent and quantify the influences of various risk factors on the morbidities of diseases. (2) Reversal logic gate to model the case that some diseases/causes may result in at least two simultaneous symptoms/consequences. (3) Disease-specific manifestation variable for special inference and easy understanding to diagnose a specific disease. (4) Event attention importance to count contributions of isolated state-abnormal variables in inference. To illustrate and verify the extended DUCG methodology, we performed a case study for diagnosing 25 diseases causing nasal obstruction. We tested 171 cases randomly selected from total 471 cases of discharged patients in the hospital information system of Xuanwu Hospital. The diagnosis precision of the extended DUCG was 100%. The diagnosis precision of the third-party verification performed by Suining Central Hospital was 98.86%, which exhibited the strong generalization ability of the extended DUCG.

中文翻译：

---

以鼻塞为例的计算机辅助一般临床诊断的动态不确定因果关系图

许多人工智能系统已被开发用于临床诊断，其中大多数在知识表示和推理结果方面都缺乏可解释性。新开发的动态不确定因果关系图（DUCG）是一种可解释性强的概率图模型。然而，现有的 DUCG 主要用于大型复杂工业系统的故障诊断。在本文中，我们扩展了 DUCG 以更好地应用于一般临床诊断。引入了四个扩展：（1）特殊的逻辑门和缩放函数事件变量来表示和量化各种风险因素对疾病发病率的影响。(2) 反转逻辑门以模拟某些疾病/原因可能导致至少两个同时出现的症状/后果的情况。(3) 疾病特异性表现变量，用于特殊推断和易于理解诊断特定疾病。(4) 事件注意力对计算推理中孤立状态异常变量的贡献的重要性。为了说明和验证扩展的 DUCG 方法，我们进行了一个案例研究，用于诊断 25 种导致鼻塞的疾病。我们从宣武医院医院信息系统中的471例出院患者中随机抽取171例进行检测。扩展DUCG的诊断精度为100%。遂宁市中心医院第三方验证的诊断准确率为98.86%，体现了扩展DUCG强大的泛化能力。(4) 事件注意力对计算推理中孤立状态异常变量的贡献的重要性。为了说明和验证扩展的 DUCG 方法，我们进行了一个案例研究，用于诊断 25 种导致鼻塞的疾病。我们从宣武医院医院信息系统中的471例出院患者中随机抽取171例进行检测。扩展DUCG的诊断精度为100%。遂宁市中心医院第三方验证的诊断准确率为98.86%，体现了扩展DUCG强大的泛化能力。(4) 事件注意力对计算推理中孤立状态异常变量的贡献的重要性。为了说明和验证扩展的 DUCG 方法，我们进行了一个案例研究，用于诊断 25 种导致鼻塞的疾病。我们从宣武医院医院信息系统中的471例出院患者中随机抽取171例进行检测。扩展DUCG的诊断精度为100%。遂宁市中心医院第三方验证的诊断准确率为98.86%，体现了扩展DUCG强大的泛化能力。我们从宣武医院医院信息系统中的471例出院患者中随机抽取171例进行检测。扩展DUCG的诊断精度为100%。遂宁市中心医院第三方验证的诊断准确率为98.86%，体现了扩展DUCG强大的泛化能力。我们从宣武医院医院信息系统中的471例出院患者中随机抽取171例进行检测。扩展DUCG的诊断精度为100%。遂宁市中心医院第三方验证的诊断准确率为98.86%，体现了扩展DUCG强大的泛化能力。