王忠策 孫亨通 任海銘 劉洋

摘? 要：隨著人們對于健康越來越關(guān)注，成熟的中醫(yī)師資源相對稀少?；诨ヂ?lián)網(wǎng)、大數(shù)據(jù)資源和陰陽五行理論開發(fā)的網(wǎng)絡(luò)化智能診療系統(tǒng)，具有解決此類問題的先天優(yōu)勢，是對傳統(tǒng)中醫(yī)診治模式的繼承和發(fā)展。傳統(tǒng)中醫(yī)理論及其經(jīng)驗體系的形成過程具有大數(shù)據(jù)應(yīng)用的典型特征。本文給出了結(jié)合五行配伍原理及大數(shù)據(jù)智能診療系統(tǒng)平臺規(guī)劃與設(shè)計的一般思路，希望對智慧中醫(yī)的發(fā)展有所補(bǔ)益。

關(guān)鍵詞：五行配伍? 知識圖譜? 中醫(yī)診斷推理? 遠(yuǎn)程智能診療

中圖分類號：TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2020）10（c）-0101-04

Abstract： As people pay more and more attention to health， the resources of mature TCM （Traditional Chinese Medicine） doctors are relatively scarce. Based on the Internet， big data resources and the theory of Yin Yang and five elements， the networked intelligent diagnosis and treatment system has inherent advantages to solve such problems， and is the inheritance and development of traditional Chinese medicine diagnosis and treatment mode. The formation process of traditional Chinese medicine theory and experience system has the typical characteristics of big data application. This paper gives the general idea of the planning and design of big data intelligent diagnosis and treatment system platform combined with the principle of five elements compatibility， hoping to contribute to the development of intelligent traditional Chinese medicine.

Key Words： Five elements compatibility; Knowledge map; TCM diagnosis reasoning; Remote intelligent diagnosis and treatment

提及中國及其他國家的亞健康人群狀況，傳統(tǒng)中醫(yī)理論中“治未病”的特點成為在針對亞健康診治方面有獨特優(yōu)勢;對于健康越來越重視的人們來說，成熟的中醫(yī)師資源稀少，經(jīng)濟(jì)上對自身健康管理投入過大大，限制了大部分人們對自身健康的保護(hù)?；诨ヂ?lián)網(wǎng)、大數(shù)據(jù)資源和陰陽五行理論開發(fā)的網(wǎng)絡(luò)化智能診療系統(tǒng)，具有解決此類問題的先天優(yōu)勢，是對傳統(tǒng)中醫(yī)診治模式的繼承和發(fā)展。

1? 傳統(tǒng)中醫(yī)五行配伍基本理論

眾所周知，方劑的功效作用差別，由方劑的配伍組成決定。方劑的配伍研究，關(guān)鍵是闡明方劑組織結(jié)構(gòu)。然而在配伍過程中，各種中醫(yī)理論及臨床經(jīng)驗均將結(jié)合自身特色滲透其中，所以影響方劑結(jié)構(gòu)的因素是復(fù)雜的。五行學(xué)說作為中醫(yī)基礎(chǔ)理論的一個典型組成部分，在較大程度上支配了不少成方的藥物配伍。全國中醫(yī)院校使用的方劑教科書，常用方劑中包含五行配伍內(nèi)容者，約有1/3[1]。

1.1 五行配伍的基本原則與配伍要點

1.1.1 配伍原則舉例

《難經(jīng)六十九難》說：“虛則補(bǔ)其母，實則瀉其子?！币恢币詠肀环顬槲逍信湮榈脑瓌t，用以指導(dǎo)對相生病變的調(diào)治;《素問五運行大論》“氣有余，則制己所勝而悔所不勝;其不及，則己所不勝侮而乘之，己所勝輕而侮之”的論述，結(jié)合五行分屬五臟思想，揭示相克病變傳遞方向，指出調(diào)治相克病變基本路徑，即需抑制太過之強(qiáng)與扶助不及之弱。因此，把太過抑強(qiáng)、不及扶弱，虛則補(bǔ)母，實則瀉子，確立為五行配伍的基本原則。

1.1.2 配伍要點

（1）配伍要基于內(nèi)臟五行病變一般特征，才能對癥施藥;

（2）配伍要基于藥物的五行屬性，才能選藥準(zhǔn)確;

（3）配伍要基于藥物對臟腑的補(bǔ)瀉作用，才能確保虛實用藥得當(dāng)。

1.2 五行配伍的主要方法舉例

補(bǔ)土生金配伍法：適應(yīng)于土不生金的病癥。在成方結(jié)構(gòu)中，其法有三：一為補(bǔ)脾氣以生肺氣，如參苓白術(shù)散（《和劑局方》），選大隊以補(bǔ)脾益氣，僅用一味引經(jīng)入肺之桔梗，配合以成方，常用之治肺氣不足證。二為同補(bǔ)脾肺二氣，重點在脾。如補(bǔ)中益氣湯，人參、白術(shù)與黃耆相伍，黃耆固肺，參術(shù)健脾。三對脾肺二臟，補(bǔ)氣在脾，養(yǎng)陰在肺。如清燥救肺湯（《醫(yī)門法律》），人參、甘草與麥冬相配，柯琴說：“……麥冬稟西方之色，多液而甘寒，培肺金……。土為金母，子病則母虛，用甘草調(diào)補(bǔ)中宮生氣之源，二金有持?！崞浞握?，人參之甘以益氣”。

此方法以五行相生相克理論為基礎(chǔ)，是結(jié)合藥性進(jìn)行組方的典范。在計算機(jī)環(huán)境下進(jìn)行五行生克模擬，并根據(jù)反映癥狀的臟腑盛衰模擬及配合調(diào)理效果預(yù)演，結(jié)合選藥規(guī)律進(jìn)行方劑生成。

2? 基于五行配伍理論的中醫(yī)專家推理機(jī)制計算機(jī)模擬

2.1 五行生克推理模型構(gòu)建

以下是根據(jù)五行生克規(guī)律及施藥影響機(jī)制用Python語言實現(xiàn)的五行生克中醫(yī)推理模型，如圖1所示。

2.2 中醫(yī)診斷推理知識庫構(gòu)建

2.2.1 中醫(yī)知識抽取

知識抽取主要針對面向開放的鏈接數(shù)據(jù)，采用典型數(shù)據(jù)挖掘技術(shù)（如構(gòu)造頻繁項集等），在語義級上處理中醫(yī)領(lǐng)域自然語言文本或多媒體形式內(nèi)容資料等，構(gòu)造典型中醫(yī)元知識（可能需要配合人工確認(rèn)），產(chǎn)生針對不同級別（描述范圍）的關(guān)聯(lián)項。抽取出置信度高的知識單元，形成一系列高質(zhì)量事實表達(dá)，知識單元主要包括實體、關(guān)系以及屬性3個知識要素，為后續(xù)模式層構(gòu)建奠定基礎(chǔ)。

（1）中醫(yī)實體抽取。

實體抽取是從中醫(yī)原始數(shù)據(jù)語料庫中自動識別出命名實體。實體作為知識圖譜中的基本元素，其抽取完整性、識別準(zhǔn)確率及召回率等將直接影響到知識圖譜構(gòu)建質(zhì)量。

由于中醫(yī)典型知識主要以經(jīng)典書籍和專家經(jīng)驗為載體，描述結(jié)構(gòu)或所用詞匯相對固定，所以主要以基于規(guī)則與詞典方法、基于統(tǒng)計機(jī)器學(xué)習(xí)方法為主，可通過CNN+ LSTM +CRF進(jìn)行實體識別以提高實體識別的準(zhǔn)確性。

（2）中醫(yī)語義類抽取。

語義類抽取是指從文本中自動抽取信息來構(gòu)造語義類并建立實體和語義類的關(guān)聯(lián)， 作為對實體層面上的規(guī)整和抽象。根據(jù)構(gòu)造頻繁項集內(nèi)或之間各元素的關(guān)系，可以作為有一種語義類抽取行之有效的方法，根據(jù)頻繁項集內(nèi)各元素和不同頻繁項集間通過頻繁項屬性建立的直接和間接關(guān)系，配合采用BiLSTM+CRF網(wǎng)絡(luò)結(jié)構(gòu)。

（3）中醫(yī)屬性和屬性值抽取。

為每個本體語義類構(gòu)造屬性列表是屬性提取的任務(wù)，為一個語義類的實體附加屬性值即為屬性值提取，可以采用CNN +LSTM+CRF模式（屬性在特定語境下也可能作為特定實體存在）。屬性和屬性值的抽取能夠形成完整實體概念的知識圖譜不同維度，豐富實體內(nèi)涵。

（4）中醫(yī)關(guān)系抽取。

關(guān)系抽取的目標(biāo)是實現(xiàn)實體語義鏈接問題解決。關(guān)系的基本信息包括屬性取值類型、滿足此關(guān)系的元組模式等，實體間關(guān)系識別較經(jīng)典算法有Piece –Wise -CNN和LSTM+ Attention。

2.2.2 中醫(yī)知識表示

在知識表示的傳統(tǒng)方法中，用來符號性描述實體之間的關(guān)系主要以RDF（Resource Description Framework資源描述框架）的三元組SPO（subject， predicate，object）來實現(xiàn)。但是其在數(shù)據(jù)稀疏性、計算效率等方面存在諸多問題。

近年來，以深度學(xué)習(xí)為核心的學(xué)習(xí)技術(shù)進(jìn)展迅速，基于深度卷積神經(jīng)網(wǎng)絡(luò)的特征抽取功能，實現(xiàn)在較低維度計算中醫(yī)實體、關(guān)系、及語義關(guān)聯(lián)，實際上涉及到對神經(jīng)網(wǎng)絡(luò)黑箱的解讀。中醫(yī)知識表示的相對成熟，對中醫(yī)知識庫的構(gòu)建、推理應(yīng)用均具有重要意義。

此外，鑒于脈沖神經(jīng)網(wǎng)絡(luò)具有與大腦神經(jīng)元最為接近的工作模式，知識表示的發(fā)展方向應(yīng)該從功能仿腦到結(jié)構(gòu)仿腦過渡，通過脈沖神經(jīng)元工作的磁場效應(yīng)機(jī)制研究，為知識表示方式尤其是后續(xù)知識推理、應(yīng)用方式的變革提供了新的可能。

2.2.3 中醫(yī)知識融合

借助知識提取，實現(xiàn)從非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)中獲取實體、關(guān)系以及實體屬性信息的目標(biāo)。但是由于知識來源形式多樣，知識質(zhì)量良莠不齊、來自不同數(shù)據(jù)源的知識重復(fù)、層次結(jié)構(gòu)缺失等問題，要應(yīng)用大數(shù)據(jù)領(lǐng)域數(shù)據(jù)分析技術(shù)，融合與精煉知識。

（1）實體對齊。

實體對齊主要是用于消除異構(gòu)數(shù)據(jù)中實體沖突及如指向不明等不一致性問題，具體可采用屬性相似度計算技術(shù)（可以使用編輯距離、集合相似度計算和基于向量的相似度計算。）和實體相似度計算技術(shù)（聚合（加權(quán)平均、手動制定規(guī)則、分類器等）;聚類（層次聚類、相關(guān)性聚類、Canopy + K-means）;表示學(xué)習(xí)等），可以從頂層創(chuàng)建具有全域一致性的統(tǒng)一知識庫，形成全局統(tǒng)一的語義背景，從而幫助機(jī)器理解多源異質(zhì)的數(shù)據(jù)，以形成高質(zhì)量的知識。

（2）知識加工。

通過中醫(yī)實體對齊，可以得到一系列的基本事實表達(dá)或初步的本體雛形，然而事實并不等價于知識，它只是知識的基本單位，知識包括知識點及知識點間的多維度聯(lián)系。要形成高質(zhì)量的知識，還需要經(jīng)過知識加工的過程，從層次上形成一個統(tǒng)一的大規(guī)模的中醫(yī)知識體系。

（3）知識更新

具體業(yè)務(wù)需求、人類認(rèn)知能力、知識儲備都會隨時間不斷遞增。中醫(yī)知識庫的構(gòu)建也是一個不斷迭代過程，因此，需要將中醫(yī)實踐經(jīng)驗在本系統(tǒng)中不斷迭代更新，擴(kuò)展現(xiàn)有知識，增加新知識。

2.2.4 中醫(yī)知識推理

中醫(yī)理論經(jīng)過幾千年的沉淀，已經(jīng)形成較為典型的辯證施治推理模型，基于五行配伍組方推理就是一典型應(yīng)用，結(jié)合知識圖譜技術(shù)，可實現(xiàn)對這一相關(guān)中醫(yī)辨證診療思想在知識圖譜中的復(fù)現(xiàn)。

根據(jù)上述中醫(yī)知識圖譜一般實現(xiàn)步驟，進(jìn)行中醫(yī)診斷推理知識模型構(gòu)建，如圖2所示。

包括：

（1）五行配伍智能組方推理整體模型，其在推理知識庫中具有主動特征。

（2）中醫(yī)知識圖譜

構(gòu)建中醫(yī)知識圖譜相當(dāng)于成熟中醫(yī)師的經(jīng)驗沉淀，是一個不斷完善的過程。以知識圖譜構(gòu)建的技術(shù)體系為載體，將成熟中醫(yī)師的結(jié)構(gòu)化和非結(jié)構(gòu)化經(jīng)驗整合成中醫(yī)知識及藥材知識庫，以服務(wù)于具體診斷過程中的知識推理過程，其在推理知識庫中具有被動特征。

3? 基于大數(shù)據(jù)技術(shù)的經(jīng)驗積累優(yōu)勢，不斷豐富中醫(yī)專家推理計算機(jī)模擬成熟度

中醫(yī)知識圖譜的建立與豐富過程，即是大數(shù)據(jù)技術(shù)在中醫(yī)藥領(lǐng)域的應(yīng)用過程，應(yīng)用大數(shù)據(jù)技術(shù)不斷積累和提煉中醫(yī)基本經(jīng)驗知識，解析成中醫(yī)推理知識庫兼容形式，豐富中醫(yī)專家推理計算機(jī)模擬背景材料。[4]

4? 結(jié)合互聯(lián)網(wǎng)的互聯(lián)互通優(yōu)勢，實現(xiàn)對求醫(yī)者的遠(yuǎn)程診療或輔助診斷，發(fā)揮其社會價值

借助于互聯(lián)網(wǎng)優(yōu)勢，將基于五行配伍原理及大數(shù)據(jù)智能診療系統(tǒng)對遠(yuǎn)程診斷者進(jìn)行診療，如圖3所示，給出理療方案、運動方案、飲食方案、產(chǎn)品建議等

5? 結(jié)語

本文基于中醫(yī)傳統(tǒng)理論為基礎(chǔ)，借助于大數(shù)據(jù)技術(shù)，構(gòu)建中醫(yī)知識圖譜，不斷完善中醫(yī)推理模型，提出五行配伍原理及大數(shù)據(jù)智能診療系統(tǒng)平臺規(guī)劃與設(shè)計方案，考慮醫(yī)療系統(tǒng)準(zhǔn)入標(biāo)準(zhǔn)，本系統(tǒng)可作為亞健康人群的“治未病”參考和成長型中醫(yī)師處方助理，是很有參考價值的。

參考文獻(xiàn)

[1] 裴建.以中醫(yī)藥信息化建設(shè)“智慧中醫(yī)”[N].聯(lián)合時報，2020-04-14（7）.

[2] 潘玉穎，崔偉鋒，范軍銘.中醫(yī)藥大數(shù)據(jù)應(yīng)用核心問題探究[J].中醫(yī)學(xué)報， 2020， 35 （5） ：928-930.

[3] 饒子昀，張毅，劉俊濤，曹萬華.應(yīng)用知識圖譜的推薦方法與系統(tǒng)[J/OL].自動化學(xué)報：1–17[2020-07-14].https：//doi.org/10.16383/j.aas.c200128.

[4] 王勇.明清時期“援易入醫(yī)”之探微[D].山東中醫(yī)藥大學(xué)，2018.

[5] 張藝然，李強(qiáng)，朱佳卿，王松.基于SWOT分析的中醫(yī)藥信息標(biāo)準(zhǔn)化發(fā)展戰(zhàn)略與思考[J].中國醫(yī)藥導(dǎo)報，2020，17（17）：149-152+157.

[6] 孫靜，劉繼芬，李曉東，肖勇，李金芳.基層醫(yī)療衛(wèi)生機(jī)構(gòu)中醫(yī)藥信息化建設(shè)實踐與思考[J].醫(yī)學(xué)信息學(xué)雜志，2020，41（1）：55-58+66.

[7] 孫靜，劉繼芬，李曉東，肖勇，李金芳.基層醫(yī)療衛(wèi)生機(jī)構(gòu)中醫(yī)藥信息化建設(shè)實踐與思考[J].醫(yī)學(xué)信息學(xué)雜志，2020，41（1）：55-58+66.