Mơ hình cây tiềm ẩn là mơ hình cấu trúc tiềm ẩn đơn giản nhất, là một mạng Bayes là một cây đa rễ gồm biến tiềm ẩn Y và các biến biểu hiện X[69]
Một LTM mơ tả mối quan hệ giữa một tập hợp các biến ở hai cấp độ. Ở cấp độ định tính, gồm các biến tiềm ẩn và các biến hiểu hiện. Ở cấp độ định lượng, mơ tả mối quan hệ giữa các cập biến lân cận bằng phân bố xác suất cĩ điều kiện[40].
Mơ hình phân nhĩm tiềm ẩn là mơ hình đồ họa theo xác suất bao gồm một biến tiềm ẩn Y và một số biến hiện X1, X2,...,Xn. Để cĩ một mơ hình phân nhĩm tiềm ẩn cần xác định biến biểu hiện X và các trạng thái biến tiềm ẩn Y bằng cách tính P(Y) và P(X/Y)[69].
Mơ hình cây tiềm ẩn là một mạng lưới Bayes là một cây đa rễ gồm biến tiềm ẩn Y(Hội chứng/ bệnh cảnh YHCT) và biến biểu hiên X (triệu chứng YHCT). Sự tương quan của biến biểu hiện với biến tiềm ẩn được miêu tả trực quan bằng độ rộng của các thanh liên kết, độ tương quan càng lớn thì độ rộng càng lớn và ngược lại. Để đo lường mức độ tương quan này, mơ hình cây tiềm ẩn sử dụng thơng số tương hỗ (Mututal information). Thơng tin tương hỗ giúp chúng ta xác định mức độ phụ thuộc
về thơng tin của 2 biến X,Y. Thơng tin tương hỗ phản ảnh khá tốt mối tương quan giữa hai biến, giá trị thơng tin tương hỗ tiệm cận 0 chứng tỏ hai biến độc lập, nhưng giá trị thơng tin tương hỗ lớn hơn 0 khơng thực sự phản ánh quan hệ giữa 2 biến vì phụ thuộc vào tần suất xuất hiện 2 biến, tần suất xuất hiện càng lớn thì mức độ phụ thuộc 2 biến càng chính xác. Vì vậy, khái niệm thơng tin tương hỗ tích lũy CMI giúp xác định mức độ tương quan 2 biến X và Y, CMI càng lớn thì mức độ phụ thuộc của X và Y càng lớn. Để tìm hiểu sự phụ thuộc của các triệu chứng lâm sàng vào các hội chứng YHCT thì cần thơng tin tương hỗ. Thơng tin tương hỗ cần đạt 2 điều kiện: điều kiện khả năng là yêu cầu mơ hình phải phù hợp với dữ liệu càng nhiều càng tốt và điều kiện giới hạn đảm bảo rằng mơ hình này khơng quá phức tạp[69].
Phân tích cây tiềm ẩn chính là một mơ hình dựa trên phân tích theo nhĩm. Gồm các loại nhĩm[69]:
+ Các triệu chứng cĩ khuynh hướng cùng xảy ra (đồng hiện) + Các triệu chứng cĩ khuynh hướng loại trừ nhau
+ Kết hợp cả hai khuynh hướng đồng hiện và loại trừ
Để thực hiện được mơ hình cây tiềm ẩn ta thấy một thuật tốn EAST (Mở rộng – Điều chỉnh – Đơn giản – Hồn thành) được sử dụng để giải quyết các khĩ khăn trong tính tốn này. Thực nghiệm chứng minh thuật tốn này cĩ hiệu quả đủ để xử lý dữ liệu lên đến 1000 biến quan sát và cĩ thể tìm được những mơ hình chất lượng cao[69].
Như vậy, việc sử dụng mơ hình cấu trúc cây tiềm ẩn giúp xây dựng tiêu chuẩn cho các bệnh cảnh YHCT một cách khách quan và định lượng hơn. Trong và ngồi nước các nhà nghiên cứu đã sử dụng phương pháp này để thiết lập tiêu chuẩn chẩn đốn cho các bệnh cảnh y học cổ truyền như ung thư gan nguyên phát, bệnh mạch vành, vơ sinh nữ nguyên phát, hội chứng mãn kinh, đột quỵ thiếu máu não. Gĩp phần rất nhiều trong việc hỗ trợ chẩn đốn và điều trị YHCT.