[发明专利]一种中药配伍辅助决策方法及系统

说明书

本发明属于中医处方知识挖掘技术领域，公开了一种中药配伍辅助决策方法及系统，从中药数据库ETCM、TCMSP、TCM‑Mesh以及权威的中医书籍资料《中华本草》和《中国药典》中提取出中药相关属性的信息用于构建图谱；获取中药知识图谱后，使用TransE模型得到中药知识图谱中症状和中药的嵌入特征表示；通过TransE模型获得症状和中药的嵌入特征表示作为处方中症状和中药的初始特征表示，富含中药的属性性质的信息。本发明通过构建中药知识图谱，引入中药的属性作为辅助信息，使模型能够拟合中药和症状之间更加复杂的相关性，以获得信息丰富的症状特征表示和中药特征表示，使得中药配伍辅助决策的效果得到进一步的提高。

技术领域

本发明属于中医处方知识挖掘技术领域，尤其涉及一种中药配伍辅助决策方法及系统。

背景技术

目前，随着人工智能技术的兴起，机器学习和深度学习为基于中医的智能辅助诊疗及相关知识挖掘提供了核心技术。中药配伍辅助决策是指在输入一组症状时，模型能够根据输入的症状给出一组能够大概率治疗该组症状的一组中药。因此，利用人工智能技术构建中药配伍辅助决策模型，协助中医诊疗患者，发现新处方，促进人工智能在中医领域的应用和发展具有重大的现实意义。

由于此研究领域具有较高的理论研究与实际应用价值，国内许多研究者一直都在研究，随着自然语言处理领域的发展，中药配伍辅助决策模型的研究也在不断向前，以往的研究使用了多种方法来发现处方的规律性，PTM中药处方的主题建模方法提出了一种描述中医处方生成过程的主题模型，并将领域知识进一步整合到主题模型中，实验结果表明，该方法在泛化性能、药物推荐、症状提示和处方模式发现方面较优，给后面的研究提供了思路和方向。在前人的基础上，结合中药处方大多为非结构化文本数据，SMGCN根据处方中症状和中药的共现频率构建了两两之间的二部图，再使用GCN拟合二部图获得症状和中药的特征表示，随后利用特征表示之间的余弦相似度进行中药的推荐。

现有的中药配伍辅助决策模型存在的缺点如下：

(1)基于主题模型的中药配伍辅助决策

处方的稀疏性在一定程度上限制了主题模型在大规模处方上的表现，不能综合分析各种实体之间复杂的相互关系。通过词共现的主题模型所提供的推断是单一的、不完整的，不能充分探讨症状与中药的关系，忽略了症状之间的相关性和中药之间的相关性，没有考虑症状的实存语义相似性或中药的语义相似性，没有充分利用现实世界中症状和中药的先验相关性。

(2)基于图神经网络的中药配伍辅助决策

基于图神经网络的中药配伍辅助决策模型，通过将处方数据转化为图结构数据，再利用图神经网络进行拟合以获取处方中中药和症状两两之间的共现信息，但现有的基于图神经网络模型大都忽略了中药性质的影响，而中药的性质对中药配伍起到关键的作用，不容忽视。

中医处方是中医在长期发展中积累起来的宝贵财富。利用人工智能技术构建中药配伍辅助决策模型，深入了解处方的规律，对中医临床应用和新处方的发现具有重要意义。由于以往构建的中药配伍辅助决策模型大多忽略了中药的性质信息，且大多采用基于词袋的统计模型进行辅助决策，这使得模型难以感知症状与中药之间的复杂相关性。因此，亟需设计一种新的中药配伍辅助决策方法及系统，以弥补现有技术存在的缺陷。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有基于主题模型的中药配伍辅助决策中，处方的稀疏性在一定程度上限制了主题模型在大规模处方上的表现，不能综合分析各种实体之间复杂的相互关系；通过词共现的主题模型所提供的推断是单一的、不完整的，不能充分探讨症状与中药的关系，忽略了症状之间的相关性和中药之间的相关性，没有考虑症状的实存语义相似性或中药的语义相似性，没有充分利用现实世界中症状和中药的先验相关性。

(2)基于图神经网络的中药配伍辅助决策模型，通过将处方数据转化为图结构数据，再利用图神经网络进行拟合以获取处方中中药和症状两两之间的共现信息，但现有的基于图神经网络模型大都忽略了中药性质的影响。