CN110335675A - 一种基于中医知识图库的辨证方法 - Google Patents

Abstract

本发明提供了一种基于中医知识图库的辨证方法，用以提高对现有中医知识图库的利用及中医理论的信息化、智能化。所述辨证方法根据中医基础理论，以建立的中医知识图库为基础，利用强化学***，进而促进中医学科的发展，对于创新和深化中医诊疗服务有着重大的现实意义。

Description

一种基于中医知识图库的辨证方法

技术领域

本发明属于中医学及信息处理领域，具体涉及一种基于中医知识图库的辨证方法。

背景技术

中医理论是一个受到中国古代唯物论及辩证思想的深厚影响的知识体系，是与疾病斗争的过程中慢慢积累的经验总结，中医不仅是中国传统文化重要的组成部分，更对传统文化的发展产生了深远的影响。中医的核心是辨证论治，包括辨证和论治两个过程，是中医认识疾病和治疗疾病的基本原则，是中医学对疾病的一种特殊的研究方法。

几千年来，在指导临床疾病的诊疗中，中医理论不断地自我完善和发展。在现代中西医并存的情况下，中医领域目前的现代化、信息化水平不如西医，理论提升和相关信息化辅助手段的发展相对滞后。因此，如何借助现代信息技术手段，来挖掘中医理论内涵，促进中医的现代化、信息化发展，提高历史经验在临床实践中的指导能力，是目前的研究热点。

现在，已经出现了将传统的中医知识体系通过信息化手段进行呈现的技术。申请号为201610586594.8的中国专利，公开了一种中医基础理论知识图库的构建方法，将传统的中医基础理论知识构建成一个大规模、可共享、可复用、高效率、可扩展的知识图库。但是，中医知识信息化的目的是为了中医研究的更好发展，如何利用信息化的中医知识为中医的理论研究服务，如何更好的利用中医知识数据库，还没有更好的方式。

发明内容

本发明要解决的技术问题是提供一种基于中医知识图库的辨证方法，用以解决利用现有的中医知识信息化数据进行中医研究的问题，所述基于中医知识图库的辨证方法，设置评分规则，融入病因，由症象推理出证候，从而利用中医知识图库完成辨证过程，提高辨证的准确性，提高辩证过程的信息化、智能化。

为解决上述技术问题，本发明实施例提供一种基于中医知识图库的辨证方法，所述中医知识图库是多个中医基础理论概念框架及其关系的集合，所述集合至少包括症象实体、证候实体和病因实体及两两之间的关系，所述症象实体、证候实体和病因实体分别为所述中医知识图库中的症象节点、证候节点和病因节点，所述关系为所述中医知识图库中节点之间的边，辨证方法包括如下步骤：

步骤S1，以中医知识图库为基础，配置强化学习环境，并利用强化学习发现中医知识图库中症象实体到证候实体和症象实体到病因实体之间的路径，并进一步计算症象实体到证候实体的元路径和症象实体到病因实体的元路径；

步骤S2，输入当前证候节点的至少一个症象，由所述症象实体到证候实体之间的元路径，进行推理得到多个证候实体，根据预设的评分规则得到多个证候实体的评分及排名；

步骤S3，给定一组症象，根据症象实体与病因实体之间的元路径，找到对应的病因节点，按照元路径的权值进行叠加计算病因节点的评分，将得分最高的病因作为最终病因，并得到多个证候与最终病因的关系；

步骤S4，根据所述多个证候与最终病因的关系及证候的评分计算证候的最终评分，将评分最高的证候作为所述症象组所对应的最可能的证候。

上述方案中，所述元路径为路径中只由动作组成并且是最简化的路径，具有泛化能力。

上述方案中，所述步骤S1中配置强化学习环境，具体包括：

步骤S11，基于中医知识图库搭建神经网络，以中医知识图库中的节点作为神经网络可能的状态，以中医知识图库中的边作为神经网络可能采取的动作，所述神经网络用来计算在某个状态下选取某个动作的概率；

步骤S12，设置所述神经网络的强化学习奖励机制。

上述方案中，所述强化学习奖励机制包括：

R1：两个节点是否有路径连接，若在规定的步数内能够找到连接的路径，则设置连通性奖励值为1，否则奖励值为-0.05；

R2：若某两个节点之间的某条路径长度为p，那么这条路径在路径长度方面的奖励值为

R3：根据路径的余弦相似度计算路径的多样性；

R4：路径中对应主症、副症或宾症症型节点的路径权值分别扩大3倍、2倍和1倍。

上述方案中，所述步骤S2中预设的评分规则，为TF_wt-IDF_w评分规则，其中，

TF_wt-IDF_w＝TF_wt*IDF_w (3)

其中，TF为词频，IDF为逆文本频率指数，输入实体的类型为症象实体，目标实体的类型为证候实体。

上述方案中，所述步骤S3元路径的权值，为，对应主症、副症或宾症症型节点，路径权值分别扩大3倍、2倍和1倍。

由以上技术方案可以看出，本发明实施例基于中医知识图库的辨证方法，根据中医基础理论，利用建立的中医知识图库为基础，利用强化学***，进而促进中医学科的发展，对于创新和深化中医诊疗服务有着重大的现实意义。

附图说明

为了更加清晰的阐述本发明的实施例和现有的技术方案，下面将本发明的技术方案说明附图做简单的介绍，显而易见的，在不付出创造性劳动的前提下，本领域普通技术人员可通过附图获得其他的附图。

图1所示为本具体实施例的基于中医知识图库的辨证方法流程示意图；

图2所示为本具体实例所采用的中医知识图库中的24种概念实体和23种关系示意图；

图3所示为所述中医知识图库结构图；

图4所示为本具体实例中所得到的元路径及其数量结果；

图5所示为将图4中的路径进行精简后得到的出现频率较高的几条可以作为整个项目最终输出的结果图；

图6所示为使用强化学习方法可以得到症象与病因之间的元路径结果图；

图7所示为本具体实例中按TF_wt-IDF_w评分规则对证候进行评分的结果；

图8所示为本具体实例中通过投票法对所有症象实体定病因的部分结果。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的中医知识图库或图库的信息化和智能化利用，提出了一种基于中医知识图库的辨证方法，将中医知识图库与评分标准相结合，推理出症象到证候的路径，融合症象对应的病因，辨证推理出症象最可能对应的证候。优选地，本发明中所述症象为症状，其不包括脉象和舌象。

这里首先对所述中医知识图库进行简要说明。中医知识图库是依据中医基础理论知识，构建的多个中医基础理论概念框架及其关系的集合，所述集合至少包括症象实体、证候实体和病因实体及两两之间的关系，其中症象实体、证候实体和病因实体为概念实体，所述概念实体为所述中医知识图库中的节点，症象实体、证候实体和病因实体分别对应中医知识图库中的症象节点、证候节点和病因节点，所述关系为所述中医知识图库中节点之间的边，节点和边共同构成中医知识图库。

本发明实施例基于中医知识图库的辨证方法，图1所示为本具体实施例的基于中医知识图库的辨证方法流程示意图。如图1所示，包括如下步骤：

步骤S1，以中医知识图库为基础，配置强化学习环境，并利用强化学习发现中医知识图库中症象实体到证候实体和症象实体到病因实体之间的路径，并进一步计算症象到证候的元路径和症象到病因的元路径。

进一步地，本步骤中所述配置强化学习环境，具体包括：

步骤S11，基于中医知识图库搭建神经网络，以中医知识图库中的节点作为神经网络可能的状态，以中医知识图库中的边作为神经网络可能采取的动作，所述神经网络用来计算在某个状态下选取某个动作的概率。

步骤S12，设置所述神经网络的强化学习奖励机制。

更进一步地，所述强化学习奖励机制包括：

R1：两个节点是否有路径连接，若在规定的步数内能够找到连接的路径，则设置连通性奖励值为1，否则奖励值为-0.05；

R2：若某两个节点之间的某条路径长度为p，那么这条路径在路径长度方面的奖励值为通常情况下，两个节点之间的路径越长则可信度越低，路径越短可信度越高；

R3：根据路径的余弦相似度计算路径的多样性；以两条路径为例，将两条路径中所有的边的向量表示进行相加得到两条路径的向量表示，再计算两条路径的向量表示的余弦相似度；

R4：路径中对应主症、副症或宾症症型节点的路径权值分别扩大3倍、2倍和1倍。

如上所述，设置适合中医领域的强化学习奖励机制，再利用强化学习算法得到症象到证候的元路径和症象到病因的元路径。

步骤S2，输入当前证候节点的至少一个症象，由所述症象到证候之间的元路径，进行推理得到多个证候，根据预设的评分规则得到所述多个证候的评分及排名。

进一步地，所述预设的评分规则，为TF_wt-IDF_w评分规则，其中，

TF_wt-IDF_w＝TF_wt*IDF_w (3)

TF-IDF是一种文本挖掘的计算权值的算法，TF指词频，IDF指逆文本频率指数，如果包含词条t的文档越少，IDF越大，则说明词条具有很好的类别区分能力。输入的实体类型是症象，目标类型是证候，从公式(1)-(3)计算症象对应到某一个证候的评分。

步骤S3，给定一组症象，根据症象与病因之间的元路径，找到对应的病因节点，按照元路径的权值进行叠加计算病因节点的评分，将得分最高的病因作为最终病因。

本步骤能够有效地提高推理证候的准确性。

所述步骤S2和步骤S3之间没有顺序要求。可以先执行步骤S2再执行步骤S3，也可以先执行步骤S3再执行步骤S2，或同时执行步骤S2和步骤S3。

步骤S4，根据所述证候与最终病因的关系及证候的评分计算证候的最终评分，将评分最高的证候作为所述症象组所对应的最可能的证候。

下面结合附图以一个具体的实例，对本发明实施例作进一步说明。所述辨证方法包括：

步骤S101，以中医知识图库的24类实体和23种关系为基础，配置强化学习环境，并利用强化学习进行元路径推理。

图2所示为本具体实例所采用的中医知识图库中的24种概念实体和23种关系实体示意图。如图2所示，所述24种概念实体为：中医，中医病例，主证形，候，副证形，单个病位，单个病因，宾证形，指纹，方症，病位，病因，症象，脉象，舌象，西医，西医病例，证，证候，证别称，证形，证证形，证象，通称；23种关系实体为：中医，中医病例，主证形，候，副证形，单个病位，单个病因，宾证形，指纹，方症，病位，病因，症象，脉象，舌象，西医，西医病例，证，证别称，证形，证证形，证象，通称。

图3所示为所述中医知识库图形数据结构图。如图3所示，24种概念实体为所述图形数据的节点，23种关系实体为图形数据的边。

本步骤进一步为，基于所述24种概念实体和23种关系实体构成的中医知识图形数据，搭建神经网络，使用强化学习方法发现概念实体和关系实体之间的路径，最终得到一组元路径。元路径是指路径中只由动作组成并且是最简化的路径，元路径比具体的路径多了泛化的能力。

例如元路径M：“症象□主证形”，其中症象和主证形是选取的动作，即图3中边的类型。两个具体的路径，路径A：“恶风怕风□症象_inv□(肺卫风寒表证之腠理不宣)□主证形□(肺卫风寒表证)”和路径B：“胸闷□症象_inv□(肺卫风寒表里证气机不宣)□主证形_inv□(肺卫风寒表里证)”。其中，边中带有_inv表示与之对应的反向边。两条具体的路径均以“实体□关系□实体□关系□......”形式所表示。具体路径和元路径之间包含的关系类型是完全一致的，第一个关系是症象，第二个关系是主证形，所以元路径和具体路径是对应的关系。具体路径是元路径的一种具体表现，元路径是从具体路径中抽象出来的结果。元路径可以代表具体路径，且比具体路径更具有泛化能力。在证候的推理过程中除了得到症象对应的证候实体外，还会推理得到其他相关的证候。

图4所示为本具体实例中所得到的元路径及其数量结果。如图4所示，前三种元路径在图3中发现的频率是最高的，占据了搜索出来的元路径的绝大多数。

图5所示为将图4中的路径进行精简后得到的出现频率较高的几条可以作为整个项目最终输出的结果图。图6所示为使用强化学习方法可以得到症象与病因之间的元路径结果图。如图5和图6所示，使用强化学习方法最终得到了症象与证候之间和症象与病因之间的元路径。

步骤S102，将证候节点“肝肾虚寒证之肝阳失宣候”在图库中的节点id为“L07-Z21-H296”的部分症象输入，采用元路径进行推理，按照TF_wt-IDF_w评分规则对证候进行评分，并得到“L07-Z21-H296”的评分排名。

图7所示为本具体实例中按TF_wt-IDF_w评分规则对证候进行评分的结果。如图7所示，在评分排序中证候“L07-Z21-H296”的评分处于第一的位置。

步骤S103，给定一组症象，由所述症象与病因之间的元路径，找到对应的病因节点，病因节点的评分按照元路径的权值进行叠加，将得分最高的病因作为最终病因，并得到多个证候与最终病因的关系。

将所述一组症象对应到各自的单个病因，采用投票法对这些病因进行计算，得出一个这组症象整体的病因。例如：给定一组症象为：“卒中昏聩”、“牙关紧闭”，这两个症象都可以通过元路径“症象_inv->证证形_inv->病因->单个病因”连接到单个病因“风”。其中元路径对应的权值为2，那么两个叠加在一起得出病因“风”的评分为4。通过投票法对所有的症象实体定病因。评分最高的病因即每个症象具体对应的病因。图8所示为本具体实例中通过投票法对所有症象实体定最终病因的部分结果。

步骤S104，根据所述多个证候与最终病因的关系及证候的评分计算证候的最终评分，将评分最高的证候作为所述症象组所对应的最可能的证候。

例如，将证候“肝肺风痰证之清气失宣候”图库中的证候编号为“L34-Z04-H033”，输入其部分症象：静而不烦、四肢振绰、卒中昏聩、痰涎上壅、闭目酣睡、抽搐、口眼歪斜和抬头屋转，眼见黑花，见物飞动，卒然晕倒，通过定病因的方式来进行推理，“静而不烦”对应单个病因“风”；“卒中昏聩”对应单个病因“风”；“痰涎上壅”对应单个病因“痰”；“闭目酣睡”对应单个病因“风”；“抽搐”对应单个病因“火热”；“口眼歪斜”对应单个病因“风”；“抬头屋转，眼见黑花，见物飞动，卒然晕倒”对应单个病因“风”。所以根据投票法可以知道疾病很可能是由于“风”所导致的。另外这一组“症象”能够推理出“L34-Z04-H033”(肝肺风痰证之清气失宣候)、“L33-Z10-H190”(心肝痰火证之血液郁滞候)、“L02-Z10-H190”(心肝风热证之血液郁滞候)、“L33-Z16-H071”(肝胃痰火证之清阳蒙闭候)、“L34-Z18-H042”(肝脾风痰证之清气失宁候)五个证候。其中“L34-Z04-H033”(肝肺风痰证之清气失宣候)、“L02-Z10-H190”(心肝痰火证之血液郁滞候)和“L34-Z18-H042”(肝脾风痰证之清气失宁候)这三个证候的病因中包含“风”，将这三个证候的评分乘以2，得到最终的评分。在最终的评分中证候“L34-Z04-H033”评分最高，认为它最符合症象描述，是最可能的证候。

由以上技术方案可以看出，本实施例基于中医知识图库的辨证方法，根据中医基础理论，利用建立的中医知识图库，为中医智能诊断的研究开辟了一条新的思路和方法，同时挖掘和丰富中医理论内涵，促进中医理论的现代化、信息化发展，提高历史经验在临床实践中的指导能力和水平，进而促进中医学科的发展，对于创新和深化中医诊疗服务有着重大的现实意义。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于中医知识图库的辨证方法，所述中医知识图库是多个中医基础理论概念框架及其关系的集合，所述集合至少包括症象实体、证候实体和病因实体及两两之间的关系，所述症象实体、证候实体和病因实体分别为所述中医知识图库中的症象节点、证候节点和病因节点，所述关系为所述中医知识图库中节点之间的边，其特征在于，辨证方法包括如下步骤：

步骤S1，以中医知识图库为基础，配置强化学习环境，并利用强化学习发现中医知识图库中症象实体到证候实体和症象实体到病因实体之间的路径，并进一步计算症象实体到证候实体的元路径和症象实体到病因实体的元路径；

步骤S2，输入当前证候节点的至少一个症象，由所述症象实体到证候实体之间的元路径，进行推理得到多个证候实体，根据预设的评分规则得到多个证候实体的评分及排名；

步骤S3，给定一组症象，根据症象实体与病因实体之间的元路径，找到对应的病因节点，按照元路径的权值进行叠加计算病因节点的评分，将得分最高的病因作为最终病因，并得到多个证候与最终病因的关系；

步骤S4，根据所述多个证候与最终病因的关系及证候的评分计算证候的最终评分，将评分最高的证候作为所述症象组所对应的最可能的证候。

2.根据权利要求1所述的辨证方法，其特征在于，所述元路径为路径中只由动作组成并且是最简化的路径，具有泛化能力。

3.根据权利要求1或2所述的辨证方法，其特征在于，所述步骤S1中配置强化学习环境，具体包括：

步骤S11，基于中医知识图库搭建神经网络，以中医知识图库中的节点作为神经网络可能的状态，以中医知识图库中的边作为神经网络可能采取的动作，所述神经网络用来计算在某个状态下选取某个动作的概率；

步骤S12，设置所述神经网络的强化学习奖励机制。

4.根据权利要求3所述的辨证方法，其特征在于，所述强化学习奖励机制包括：

R1：两个节点是否有路径连接，若在规定的步数内能够找到连接的路径，则设置连通性奖励值为1，否则奖励值为-0.05；

R2：若某两个节点之间的某条路径长度为p，那么这条路径在路径长度方面的奖励值为

R3：根据路径的余弦相似度计算路径的多样性；

R4：路径中对应主症、副症或宾症症型节点的路径权值分别扩大3倍、2倍和1倍。

5.根据权利要求1或2所述的辨证方法，其特征在于，所述步骤S2中预设的评分规则，为TF_wt-IDF_w评分规则，其中，

TF_wt-IDF_w＝TF_wt*IDF_w (3)

其中，TF为词频，IDF为逆文本频率指数，输入实体的类型为症象实体，目标实体的类型为证候实体。

6.根据权利要求1或2所述的辨证方法，其特征在于，所述步骤S3元路径的权值，为，对应主症、副症或宾症症型节点，路径权值分别扩大3倍、2倍和1倍。