基于機器學習技術的《傷寒論》方證分析方法研究.pdf

1、本課題將中醫(yī)研究與中醫(yī)藥信息化、智能化研發(fā)緊密結(jié)合，以國家“十五”科技攻關課題“基于信息挖掘技術的名老中醫(yī)臨床診療經(jīng)驗與傳承方法研究”的子課題“名老中醫(yī)臨床經(jīng)驗分析挖掘方法研究”為背景，以探索挖掘名老中醫(yī)臨證經(jīng)驗的有效技術和方法為目的，以基于機器學習技術的《傷寒論》方證分析方法研究為內(nèi)容，在中醫(yī)理論的指導下，運用信息技術，人工智能技術及其數(shù)學原理，基本實現(xiàn)了中醫(yī)處方內(nèi)涵屬性的數(shù)學建模與科學計算；并在此研究基礎上，應用當今國際先進的支持向

2、量機技術完成《傷寒論》方證的分類識別實驗。論文從文獻研究、理論研究、技術方法理論探討、軟件研制及其應用研究等方面對《傷寒論》方證機器學習方法進行了全面系統(tǒng)的研究，為中醫(yī)方證量化表達及其分類提供一種新的思路和方法，為挖掘和傳承名老中醫(yī)臨證經(jīng)驗提供可靠的方法技術。 1 文獻研究 全面查閱整理了近年來國內(nèi)外有關《傷寒論》研究方法和機器學習技術的相關研究文獻資料，對目前《傷寒論》研究方法尤其是數(shù)學方法在《傷寒論》研究中的概況作了

3、詳細的總結(jié)并完成綜述的撰寫，對目前國內(nèi)外機器學習方法的研究動念作了系統(tǒng)的總結(jié)并完成綜述的撰寫，掌握了相關項目科研的前沿動態(tài)。 2 理論研究 在中醫(yī)學理論的指導下，較系統(tǒng)的論述了《傷寒論》方分類方法和中醫(yī)知識量化方法的相關理論，認為在此研究基礎上尋求一種比較客觀的，具有普遍應用價值的中醫(yī)方證的量化、分類方法——近似推理方法與支持向量機方法相結(jié)合，對于實現(xiàn)中醫(yī)理論量化是一個突破。也是中醫(yī)理論體系既保持自身特色體系，又繼續(xù)發(fā)展

4、與時俱進的必山之路。 3 相關技術理論及其應用研究 3.1 近似推理技術及中醫(yī)處方智能分析系統(tǒng)(CPIAS)的研制 3.1.1 近似推理技術近似推理指建立在不確定性知識和證據(jù)的基礎上的推理，實際上是從具有模糊性特征的認識或經(jīng)驗出發(fā)，經(jīng)過邏輯推理而推出既保持一定程度的不確定性，又是合理或基本合理的結(jié)論的推理過程。在人類認識和思維行為中，確定性只是相對的，不確定性是絕對的，中醫(yī)學的知識具有非常明顯的不確定性(模糊性)

5、。由于中醫(yī)學中導致同一結(jié)果的解決方案不唯一，推理所需的知識呈非線性，專家的背景知識不一致等問題，因此在處方智能分析系統(tǒng)的推理計算過程中就需要采用近似推理方法。中醫(yī)處方智能分析系統(tǒng)的研制原理是基于近似推理方法設計的。其知識庫是建立在文獻調(diào)研的基礎上，并通過分析前人的研究結(jié)果發(fā)現(xiàn)《傷寒論》知識體系而建立的，主要內(nèi)容有藥效知識庫、效候知識庫、效證知識庫等。知識庫邏輯規(guī)則的確定均依據(jù)中醫(yī)理論，推理過程應用了近似推理技術，知識的表達采用矩陣列表和

6、定性推理的方法，并且在各種符合中醫(yī)推理邏輯的算法幫助下對其進行管理。 3.1.2 中醫(yī)處方智能分析系統(tǒng)(CPIAS)的研制藥味和藥量是藥效作用發(fā)揮的基礎，也是影響共處方功效改變的重要因素。由于藥物的性質(zhì)不同，其用藥的范圍會有很大的差異，處方中的實際用量不能直接對作用的強度進行判斷，缺乏可比性。對此，以中醫(yī)理論為指導，設計了具體的數(shù)學算法，引入了“相對藥量”的概念，使得藥味和藥味之間的各種藥效強度分析有了可比性。并在此基礎上，設計

7、了具體的處方性味歸經(jīng)的計算模型。同時系統(tǒng)在兩藥效相互作用強度的計算中，引入“貼近度”的概念，即指兩種藥物在性、味、歸經(jīng)等因素的綜合貼近程度，按照同氣相求，異氣相斥的原理，如貼近度越大的藥物間的協(xié)同作用也越大，反之貼近度越小的藥物間的協(xié)同作用就越小，增加在計算藥效關系時的權重，使計算結(jié)果更為準確。最后，用VB語言實現(xiàn)了在windows系統(tǒng)運行的“中醫(yī)處方智能分析系統(tǒng)(CPIAS)”。實現(xiàn)了了處方藥物的作用力度(相對藥量)的預測、處方綜合藥

8、性強度計算、處方綜合藥味強度計算、處方綜合藥物歸經(jīng)強度計算、各種功效的強度計算、以及針對病證的臨床表現(xiàn)篩選最適宜的處方功效、在篩選出最適宜的功效強度的基礎上，再次預測處方的適應證、并確定該處方所針對的臨床表現(xiàn)(癥狀體征)的主次。 3．2 支持向量機方法(SVM)及CMSVM機器學習系統(tǒng) 支持向量機方法是一種有堅實理論基礎的小樣本學習方法。它基本上不涉及概率測度的定義及大數(shù)定律等，從本質(zhì)上避開了從歸納到演繹的傳統(tǒng)過程，實現(xiàn)

9、了從訓練樣本到預測樣本的“轉(zhuǎn)導推理”。而且SVM的最終決策函數(shù)只有少數(shù)的支持向量所確定，計算的復雜性取決于支持向量的數(shù)目，而不是樣本空間的維數(shù)，這在某種意義上避免了“維數(shù)災”。由于核函數(shù)的引入，應用SVM方法建立的學習機分類模型是非線性的模型，SVM是一種處理非線性分類的有效方法。由于SVM有較為嚴格的大統(tǒng)計學理論作保證，應用SVM方法建立的模型具有較好的推廣能力，可以給出學習結(jié)果的推廣能力和誤差的界。SVM以上的優(yōu)點很適合解決中醫(yī)學的

10、高維、小樣本、非線性等問題。 本課題系統(tǒng)研究支持向量機方法的理論基礎，支持向量機方法的原理，找到適合解決中醫(yī)分類識別問題的核函數(shù)——徑向基核函數(shù)，成立了CMSVM開發(fā)小組開發(fā)了CMSVM機器學習系統(tǒng)。 4 軟件應用研究本課題利用中醫(yī)處方智能分析系統(tǒng)(CPIAS)，對從《傷寒論》中選出并一致化處理后的195個方證進行了全面的量化分析，量化因子包括：相對藥量的計算，藥效強度、藥性強度、藥味強度、藥物歸經(jīng)強度的計算；通過宏觀量

11、化分析和知識規(guī)則介入的推理，實現(xiàn)處方適應證的預測，并按強度排序；以當前處方所針對的病證的臨床表現(xiàn)為依據(jù)，在上述分析的基礎上篩選出最適應的功效強度；在篩選出最適應的功效強度的基礎上，再次實現(xiàn)了處方適應證的預測，并按強度排序；在篩選出最適應的功效強度的基礎上，通過知識規(guī)則介入的推理，實現(xiàn)了該處方所針對的臨床表現(xiàn)(癥狀體征)的主次排序。其分析準確率達到了95％。CMSVM機器學習建模系統(tǒng)對《傷寒論》方證量化分析后的數(shù)據(jù)，通過采用徑向基核函數(shù)，

12、選用用于小樣本分類的“交叉驗證1”和“預測應用”按照八法(汗吐下和溫清補消)進行訓練建模，并取得了較好的分類預測效果。研究結(jié)果表明該方法在有限樣本的情況下，無論樣本的維數(shù)多高，只要數(shù)據(jù)質(zhì)量能夠得到保證，所建模型均具有較好的推廣能力。 中醫(yī)處方智能分析系統(tǒng)(CPIAS)和CMSVM機器學習系統(tǒng)的研制和應用，很好地解決了數(shù)據(jù)完整表達的問題，而且避免了主觀因素的干擾，沒有對數(shù)據(jù)進行降維處理，保證了數(shù)據(jù)的完整性，很好地解決了中醫(yī)學中存在

13、的高維、非線性問題，而且使基于先驗知識的學習方法與完全基于數(shù)據(jù)的學習方法結(jié)合在一起，解決了中醫(yī)學繼承中的個性與共性知識的挖掘問題。 本課題提出了基于近似推理理論的處方因子計算方法和基于支持向量機方法的建模推理方法的研究方案，并對《傷寒論》195個方證進行量化分析和分類識別實驗，取得了滿意結(jié)果。該研究成果對名老中醫(yī)學術思想和經(jīng)驗繼承的方法研究具有普遍的示范和借鑒意義。本課題成功地將國際上先進的機器學習理論和方法與傳統(tǒng)的中醫(yī)學結(jié)合，