歐鳳霞, 王宗殿

(1.合肥工業(yè)大學(xué) 計算機與信息學(xué)院，安徽 合肥 230009；2.安徽中醫(yī)學(xué)院 醫(yī)藥信息工程學(xué)院，安徽 合肥 230038)

1 數(shù)據(jù)挖掘在中醫(yī)診斷中的作用

中醫(yī)是中國的傳統(tǒng)醫(yī)學(xué)，幾千年來為中華民族的繁衍做出了重要貢獻，但現(xiàn)代中醫(yī)的發(fā)展也面臨著諸多挑戰(zhàn).中醫(yī)學(xué)說在理論和臨床上自成體系，一病多治，重復(fù)性較差，這給中醫(yī)治療的應(yīng)用、傳承和發(fā)展造成了很大困難.燦爛悠久的中醫(yī)文化薈萃了眾多中醫(yī)名家的學(xué)術(shù)和臨床醫(yī)學(xué)資源，利用現(xiàn)代數(shù)據(jù)挖掘技術(shù)探討中醫(yī)診斷與治療的規(guī)律，對推動中醫(yī)文化的學(xué)術(shù)研究和現(xiàn)代中醫(yī)的發(fā)展有重要作用.

數(shù)據(jù)挖掘是從數(shù)據(jù)庫或數(shù)據(jù)倉庫中發(fā)現(xiàn)隱藏的、未知的和有用的信息的過程.近年來，從不斷膨脹的醫(yī)院數(shù)據(jù)庫提取有用信息為疾病的診斷和治療提供科學(xué)的決策，已成為人們關(guān)注的焦點.本研究的基本思路是在收集眾多治療典型病例的醫(yī)案的基礎(chǔ)上，從不完整甚至不一致的數(shù)據(jù)中，利用數(shù)據(jù)挖掘技術(shù)，挖掘出典型病例的用藥規(guī)律.

2 數(shù)據(jù)挖掘前中醫(yī)診斷信息的預(yù)處理

中醫(yī)診斷主要依靠望、聞、問、切四診收集脈象、舌像、神色形態(tài)、癥狀等的機體反應(yīng)來診察疾病，“辨證論治”是中醫(yī)的基本特征之一[1].在中醫(yī)的臨床診療過程中，患者所表現(xiàn)的各種癥狀和體征，是辨證的依據(jù)，稱為“證候”；通過對證候的辨識而確定的病理本質(zhì)，稱為“證素”；由病位、病性證素所構(gòu)成的診斷名稱，稱為“證名”.證候、證素和證名，共同組成了“證素辨證體系”[2].證素辨證研究的核心問題是證素的確認，即通過臨床收集到的信息尋找構(gòu)成證的基本元素.如果一組癥狀群呈現(xiàn)穩(wěn)定的相互關(guān)系，就可以確定病位與病性的最小單位.準(zhǔn)確地判斷證素，便抓住了疾病當(dāng)前的病理本質(zhì).

臨床上收集的四診資料存在不完整性、含噪聲和不一致性等特點，不能直接用于數(shù)據(jù)挖掘.在進行數(shù)據(jù)挖掘之前，必須對中醫(yī)臨床上的數(shù)據(jù)進行規(guī)范化的預(yù)處理，圖1是中醫(yī)臨床數(shù)據(jù)規(guī)范化預(yù)處理的流程圖.

3 基于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)的應(yīng)用

數(shù)據(jù)挖掘的方法有關(guān)聯(lián)規(guī)則、序列模式、神經(jīng)網(wǎng)絡(luò)、分類規(guī)則和聚類分析等，采用不同的技術(shù)可以發(fā)現(xiàn)不同類型的知識.本文主要介紹關(guān)聯(lián)規(guī)則技術(shù)在肝病中醫(yī)診斷上的應(yīng)用，找出肝病的癥狀與處方、癥狀與辨證、辨證與處方之間的關(guān)聯(lián)規(guī)則.

圖1 病歷數(shù)據(jù)預(yù)處理流程Fig.1 Medical record data pretreatment flowchart

3.1 關(guān)聯(lián)規(guī)則的概念[3]

設(shè)D是事務(wù)數(shù)據(jù)庫，I=(i1,i2,…,im)是所有項目的集合，其中Ij,j=1,…,m是一個項目.每個事務(wù)Ti是一個項集，Ti?I.

定義1 設(shè)A，B為項集，則稱A→B為規(guī)則，其中A?I,B?I，且A∩B=φ.

定義2 設(shè)D是事務(wù)集，A，B為項集，且有規(guī)則A→B.如果D中包含A∪B事務(wù)的比例為s%,稱A→B有支持度s%,即概率P(A∪B).

定義3 設(shè)D是事務(wù)集，A，B為項集，且有規(guī)則A→B.若D中，c%的事務(wù)包含A的同時也包含B，則稱A→B有置信度，即條件概率P(B|A).

定義4 設(shè)D是事務(wù)集，A，B為項集，若A→B滿足最小置信度c和最小支持度s，則稱A→B為關(guān)聯(lián)規(guī)則.

Support(A→B)=P(A∪B)
Confidence(A→B)=P(B|A)

關(guān)聯(lián)規(guī)則的挖掘過程主要包含2個階段：第一階段必須先從原始資料集合中找出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目組中產(chǎn)生關(guān)聯(lián)規(guī)則(Association Rules).

3.2 關(guān)聯(lián)規(guī)則在肝病中醫(yī)診斷中的具體應(yīng)用途徑

本文的數(shù)據(jù)來源為臨床和文獻[6]，共1 128例肝病病例.這里所采用的每個病例數(shù)據(jù)都包含了癥狀、辨證、治法和處方等若干方面的信息，部分數(shù)據(jù)如下：

(1)某女，20歲

癥狀:納差，惡心，厭油，口不苦，微渴喜熱飲，乏力，大便色黃，日行1～2次，尿黃而自利，皮膚瘙癢，有搔抓痕；舌質(zhì)暗，苔薄黃，舌下脈絡(luò)增粗延長，脈弦細.

辨證:濕熱血虛型.

治法:清熱利濕活血.

處方:茵陳15 g，丹參15 g，丹皮15 g，杏仁15 g，赤芍60 g，葛根30 g，瓜蔞30 g，生大黃9 g，半夏15 g，川芎15 g，梔子12 g，黃苓15 g.

(2)某男，32歲

癥狀: 頻繁惡心，但無嘔吐；胸悶明顯，胸脘脹滿，納差，口黏；大便不爽，小便色黃不利，胃脘部有振水聲；舌質(zhì)紅，苔薄黃，脈弦.

辨證: 濕邪彌散三焦(黃疸).

治法:宣暢三焦.

處方:杏仁15 g，蔻仁15 g，生薏苡仁30 g，黃芩15 g，赤芍90 g，葛根30 g，滑石30 g，茵陳15 g，半夏15 g，川樸15 g，木通15 g.

…………

從以上原始病例可以看出，癥狀、辨證、治法和處方都是一些中醫(yī)習(xí)慣用語，沒有一個統(tǒng)一的標(biāo)準(zhǔn).因此，在進行研究之前，必須編制一些程序?qū)@些病歷中的癥狀術(shù)語、癥狀之間的邏輯關(guān)系、辨證、治法和方藥等做規(guī)范預(yù)處理.通過相關(guān)中醫(yī)書籍對所有的癥狀作了統(tǒng)計和歸類，得到了用于挖掘?qū)嶒灥陌Y狀描述，把每個癥狀用數(shù)字來表示.例如：1001代表納差，1002代表惡心……1025代表脈弦，1026代表肝掌……

辨證論治是中醫(yī)認識疾病和治療疾病的基本原則.辨證是決定治療的前提和依據(jù)，論治是治療疾病的手段和方法.為了便于挖掘,把每種辨證也用數(shù)字來表示.例如： 2001代表濕熱血瘀型，2002代表血瘀血熱型……2030代表營衛(wèi)不和證，2031代表脾虛血瘀證……

藥名的預(yù)處理相對比較簡單，可以根據(jù)中藥庫的國家標(biāo)準(zhǔn)命名來對藥名進行預(yù)處理.例如：3001代表萊菔子，3002代表姜半夏……3079代表茵陳，3080代表桂枝……

經(jīng)過預(yù)處理的病例數(shù)據(jù)主要是用數(shù)字來表示的，并且包含了癥狀、辨證、治法、處方這四維數(shù)據(jù).

表1 病人基本的數(shù)據(jù)格式Tab.1 Patient basic data formats

根據(jù)表1所示的數(shù)據(jù)格式和內(nèi)容，這里需要挖掘癥狀與辨證、癥狀與處方、辨證與處方的制約關(guān)系的數(shù)據(jù)，即：

(1)基本癥狀和辨證之間的關(guān)聯(lián)規(guī)則：基本癥狀(x，Ai)→辨證(x，Bj)；

(2)基本癥狀和處方之間的關(guān)聯(lián)規(guī)則：基本癥狀(x，Ai)→處方(x，Dj)；

(3)辨證和處方之間的關(guān)聯(lián)規(guī)則：辨證(x，Bj)→處方(X，Dj).

這是一個二維關(guān)聯(lián)規(guī)則挖掘模型，如果要得到癥狀與辨證、癥狀與處方、辨證與處方之間的關(guān)聯(lián)規(guī)則，可以將模型降為一維，再運用關(guān)聯(lián)規(guī)則算法來挖掘這一維新的數(shù)據(jù)，篩選挖掘結(jié)果，去掉不符合規(guī)則的，留下合適的規(guī)則，從而挖掘出癥狀與辨證、癥狀與處方、辨證與處方之間的關(guān)聯(lián)規(guī)則.

表2 病人的事務(wù)數(shù)據(jù)庫Tab.2 Patients transaction database

本文采用頻繁模式增長(frequent-Pattern growth)的關(guān)聯(lián)算法，簡稱FP-增長.將提供頻繁項集的數(shù)據(jù)庫壓縮成一棵頻繁模式樹(FP-tree)，保留項集關(guān)聯(lián)信息；然后，將這種壓縮后的數(shù)據(jù)庫分成一組條件數(shù)據(jù)庫，每個數(shù)據(jù)庫關(guān)聯(lián)一個頻繁項，并分別挖掘每個數(shù)據(jù)庫.

下面給出一個簡單的例子說明基本的挖掘過程.表2是需要挖掘的事務(wù)數(shù)據(jù)庫.

假設(shè)現(xiàn)在要挖掘基本癥狀和處方之間的關(guān)聯(lián)規(guī)則，即基本癥狀(x，Ai) →處方(x，Dj)，則需要將“基本癥狀”和“處方”這2項數(shù)據(jù)合并為一個新的維，設(shè)為x，合并后的病人數(shù)據(jù)如表3所示.

表3 合并后的病人數(shù)據(jù)Tab.3 Data after the merger of patient

圖2 FP-樹挖掘結(jié)果Fig.2 FP-trees mining results

取最小支持度為2、最小置信度為60%，運用關(guān)聯(lián)規(guī)則得到的挖掘結(jié)果見圖2.具體步驟如下:

(1) 掃描合并后的病人事務(wù)數(shù)據(jù)庫，收集頻繁項集和它們的支持度.按支持度降序排序，得到頻繁項表L=[3∶3，2∶3，5∶3，1∶2，4∶1].

(2)創(chuàng)建FP-樹.事務(wù)數(shù)據(jù)庫中的第一條事務(wù){(diào)1，3，4}，按照L中的排序為{3，1，4}，則先建立null結(jié)點，然后依次有結(jié)點3、1、4，并把計數(shù)都置為l；第二條事務(wù){(diào)2，3，5}，按照L中的排序為{3，2，5}，則把“3”結(jié)點的計數(shù)增加到2，在“3”分支下建立結(jié)點2和5；其余依次類推，就可以得到圖2所示的FP-tree.

然后，對這個FP-tree進行挖掘，對L中的項進行倒序考慮:

(1)先考慮“4”，它的路徑由分支<3，1，4∶1>形成，考慮“4”為后綴，它的對應(yīng)前綴路徑是<3，1>，但支持記數(shù)為1，小于設(shè)定的min-sup(2)，所以該路徑不能產(chǎn)生頻繁模式.

(2)再考慮“1”，它的路徑由分支<3，2，5，1∶1>和<3，1∶1>形成，考慮“l(fā)”為后綴，并考慮最小支持度為2，則這2個路徑均不能產(chǎn)生頻繁模式.

(3)再考慮“5”，它的路徑由分支<3，2，5∶2>和<2，5∶l>形成，考慮“5”為后綴，并考慮最小支持度為2，則它的對應(yīng)前綴路徑只能是<3，2∶2>，則該路徑產(chǎn)生的頻繁模式為<3，2，5∶2>.

(4)再考慮“2”，它的路徑由分支<3，2∶2>形成，考慮“2”為后綴，并考慮最小支持度為2，則它的對應(yīng)前綴路徑是<3，2>，則該路徑產(chǎn)生的頻繁模式為<3，2∶2>.

表4 關(guān)聯(lián)規(guī)則及其置信度Tab.4 Association rules and confidence

挖掘過程到此結(jié)束，發(fā)現(xiàn)頻繁模式<3，2，5∶2>和<3，2∶2>，但2和3表示基本癥狀，5表示處方，則上述的2個頻繁模式只有<3，2，5∶2>符合要求，即挖掘基本癥狀和處方之間的關(guān)聯(lián)規(guī)則.因此，這個例子能得到一個頻繁集{2，3，5}，非空真子集有{2}，{3}，{5}，{2，3}，{2，5}，{3，5}，從而得到的關(guān)聯(lián)規(guī)則及其置信度見表4.

本例中1、2、3表示基本癥狀，4、5表示藥名，需要對上面的規(guī)則進行篩選，保留含有這兩維數(shù)據(jù)并且是由基本癥狀推出藥名或由藥名推出基本癥狀的規(guī)則，最后得到2個規(guī)則見表5.

表5 篩選后得到的關(guān)聯(lián)規(guī)則及其置信度Tab.5 Association rules and confidence after filtering

表5中“5→2∧3”表示5這種藥有66%的可能性是用來治療2，3這2種病狀的；“2∧3→5”則表示2和3這2種病狀通常是用5這種藥來治的.

這就是該模型的基本思想，其他幾維數(shù)據(jù)間的關(guān)聯(lián)規(guī)則也可以類似挖掘.

3.2.1 基本癥狀和處方的關(guān)聯(lián)規(guī)則

挖掘基本癥狀和處方之間的關(guān)聯(lián)規(guī)則，就是想得知哪些基本癥狀的組合一般是由哪些藥的組合來治療的.取最小支持度頻數(shù)為5、最小置信度為80%，得到表6中的一系列結(jié)果.

表6 基本癥狀和處方Tab.6 Basic symptoms and the prescription

從(1004，1006，1050，1002)→3079規(guī)則的置信度是100%，表明“皮膚黃”、“舌苔黃膩”、“尿黃”、“惡心”這4種癥狀同時出現(xiàn)的時候，必須要用茵陳這種藥.查閱中醫(yī)藥知識可以知道，黃疸就有“皮膚黃”、“舌苔黃膩”、“小便黃”、“惡心”這4種癥狀.黃疸是由于血清中的膽紅素升高所致，茵陳具有明顯的保肝利膽的作用,能夠促進膽汁分泌,促進膽酸和膽紅素排出，這說明這個關(guān)聯(lián)規(guī)則是符合中醫(yī)傳統(tǒng)知識的.

表7 辨證和基本癥狀Tab.7 Differentiation and basic symptoms

3.2.2 基本癥狀和辨證之間的關(guān)聯(lián)規(guī)則

挖掘基本癥狀和辨證之間的關(guān)聯(lián)規(guī)則，就是想知道哪些癥狀的組合是何種辨證.取最小支持度頻數(shù)為3、最小置信度為60%，得到的結(jié)果見表7.

從2018→(1001，1007，1049，1002)，這條規(guī)則的置信度是100%，表示“脾虛濕困”這個辨證一般會有“納差”、“舌苔膩”、“大便溏瀉”、“惡心”這4種癥狀.中醫(yī)認為脾主運化水濕，脾虛則運化功能低下，引起水濕停滯；水濕的停滯，反過來又影響脾的運化，故飲食減少、胃脘滿悶、大便溏瀉，舌苔厚膩等.由此可見，這個關(guān)聯(lián)規(guī)則是符合中醫(yī)傳統(tǒng)知識的.

3.2.3 辨證和處方之間的關(guān)聯(lián)規(guī)則

挖掘中醫(yī)中辨證和處方之間的關(guān)聯(lián)規(guī)則可以得到對病因的用藥方法.取最小支持度頻數(shù)為5、最小置信度為80%，得到的結(jié)果見表8.

表8 辨證和處方Tab.8 Differentiation and prescription

關(guān)聯(lián)規(guī)則(3078，3087，3098，3013，3012)→2010的置信度為100%，表示白芍、橘皮、茯苓、木香和川楝子的組合可以用來治療“脾氣虛證”.根據(jù)傳統(tǒng)的中醫(yī)療法，脾氣虛證要用溫中健脾的方劑來治療，一般選用香砂六君子湯和黃芪建中湯加減.前方中，黨參、茯苓、白術(shù)、炙甘草為四君子湯健脾，橘皮、木香、砂仁和胃降逆；后方中，黃芪益氣補中，白芍、桂枝、炙甘草、生姜、大棗、怡糖為小建中湯.由上面的傳統(tǒng)經(jīng)典用藥可以知道，該規(guī)則的前4種藥都是治療脾氣虛證的必要中藥，但是川楝子卻不是經(jīng)典的治療脾氣虛證的藥.查閱中醫(yī)藥的書籍可知，川楝子是一種行氣止痛、行氣疏肝的中藥，一般可以用于治療胃脘痛和脅痛.但是，它也可以治療胃脘部飽脹、滿悶不舒的癥狀，而胃脘部飽脹又是脾氣虛證的一個非常重要的特征.因此，對中醫(yī)的用藥挖掘是非常正確和有意義的.

4 結(jié)束語

正確的診斷對于確立治療原則、指導(dǎo)用藥以及調(diào)理康復(fù)無疑是非常重要的，用關(guān)聯(lián)規(guī)則挖掘出的“理—法—方—藥”之間的關(guān)聯(lián)規(guī)則是中國中醫(yī)藥學(xué)的寶貴經(jīng)驗，它促進了中醫(yī)診斷學(xué)的規(guī)范化研究,也為中醫(yī)的現(xiàn)代化注入了新的活力.

參考文獻:

[1] 朱文峰.中醫(yī)診斷學(xué)[M].北京：中國中醫(yī)藥出版社，2000.

[2] 朱文鋒.證素辨證學(xué)[M].北京：人民衛(wèi)生出版社，2008.

[3] Jiawei H, Micheline K. Data Mining: Concepts and Techniques[M]. San Fransisco:Morgan Kaufman Puclishers, 2001.

[4] 謝邦昌.數(shù)據(jù)挖掘Clementine應(yīng)用實務(wù)[M].北京：機械工業(yè)出版社，2008.

[5] 薛飛飛，陳家旭.數(shù)據(jù)挖掘在中醫(yī)診斷學(xué)中的應(yīng)用[J].中醫(yī)雜志，2009,50(3):200-202.

[6] 中國中醫(yī)藥管理局中醫(yī)肝病重點?？茀f(xié)作組.中醫(yī)肝病病案例選[M].上海：上海科技教育出版社，2006.