1、關(guān)于真實世界中醫(yī)診療數(shù)據(jù)挖掘分析的探索與實踐第一張，PPT共三十九頁，創(chuàng)作于2022年6月一、數(shù)據(jù)挖掘概述數(shù)據(jù)挖掘（Data Mining，DM）是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)集中識別有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。 分類或預(yù)測聚類關(guān)聯(lián)規(guī)則序列模式等根據(jù)任務(wù)數(shù)據(jù)挖掘作為知識發(fā)現(xiàn)（KDD）的一個步驟10 第二張，PPT共三十九頁，創(chuàng)作于2022年6月二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀幾千年來，中醫(yī)臨床實踐積累了海量的真實世界中醫(yī)診療數(shù)據(jù)；東漢末年，醫(yī)圣張仲景鉆研和分析已有文獻典籍（素問、九卷、八十一難、陰陽大論、胎臚藥錄等），并結(jié)合臨床診療

2、經(jīng)驗，利用古代數(shù)學(xué)等相關(guān)知識，得出了六經(jīng)辨證模式，撰寫出被后人稱為辨證論治典范的著作傷寒雜病論，體現(xiàn)了現(xiàn)代數(shù)據(jù)挖掘技術(shù)的樸素思想19；當(dāng)今，利用先進的數(shù)據(jù)挖掘技術(shù)，在海量的真實世界中醫(yī)數(shù)據(jù)中，發(fā)現(xiàn)啟發(fā)性或可驗證性的中醫(yī)診療規(guī)律，將會對疾病的防御和治療，對人們更好地了解中醫(yī)的內(nèi)涵以及促進中醫(yī)的發(fā)展具有重要的現(xiàn)實意義。 第三張，PPT共三十九頁，創(chuàng)作于2022年6月從上世紀(jì)90 年代以來，隨著數(shù)據(jù)挖掘技術(shù)的成熟和廣泛應(yīng)用，利用數(shù)據(jù)挖掘等先進的信息技術(shù)手段，總結(jié)名老中醫(yī)診療經(jīng)驗、探索中醫(yī)辨證論治規(guī)律已逐漸成為國內(nèi)中醫(yī)領(lǐng)域的研究熱點。利用聚類46-55、關(guān)聯(lián)規(guī)則56-65、貝葉斯網(wǎng)絡(luò)與貝葉斯分類66-

3、70、SVM71-73、回歸分析和判別分析74-77、神經(jīng)網(wǎng)絡(luò)78-81、Rough集82-85、文本挖掘86-89、復(fù)雜網(wǎng)絡(luò)90-91、因子分析和主成份分析92-94、隱結(jié)構(gòu)模型95-102 、隱馬爾科夫模型106-108、主體模型109-114等多種數(shù)據(jù)挖掘技術(shù)，廣泛探索中醫(yī)“辨證論治”的診療規(guī)律。二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第四張，PPT共三十九頁，創(chuàng)作于2022年6月聚類分析189 個案例中半夏瀉心湯7 味中藥聚成四類, 各類藥物的平均用量( g) 53 聚類結(jié)果示例10二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第五張，PPT共三十九頁，創(chuàng)作于2022年6月聚類分析35 個腎

4、虛辨證因子聚類分析樹狀圖49 二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第六張，PPT共三十九頁，創(chuàng)作于2022年6月聚類分析3238例糖尿病數(shù)據(jù)中50個癥狀的部分分層聚類結(jié)果二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀3238例糖尿病數(shù)據(jù)中50個癥狀 第七張，PPT共三十九頁，創(chuàng)作于2022年6月聚類分析利用SPSS,對Breast cancer數(shù)據(jù)中的1207例數(shù)據(jù)進行K-means聚5類的結(jié)果 二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第八張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用聚類分析存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀參數(shù)選擇問題聚類都涉參數(shù)選擇問題。如，聚類數(shù)與距離函數(shù)

5、（或密度函數(shù)）都需要人為設(shè)定，不同的參數(shù)設(shè)置通常會得到不同的聚類結(jié)果，尤其是面對高維稀疏數(shù)據(jù)時，聚類結(jié)果受距離函數(shù)（或密度函數(shù)）的影響更為突出。中醫(yī)在癥狀、證候和復(fù)方藥物的描述中具有高維性和稀疏性特征。據(jù)我們對3000多例糖尿病數(shù)據(jù)統(tǒng)計得知，常用的癥狀或中藥名稱約500種，證候描述約1000多種。而每個患者描述的癥狀、中藥與證候診斷約20種左右。第九張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用聚類分析存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀v1v2v3p11010 0 p21100 0 中醫(yī)臨床數(shù)據(jù)特點v1v2v3t15001000 0t21101120451120文本數(shù)據(jù)特點參數(shù)

6、選擇問題特點：變量值稀疏且單一第十張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用聚類分析存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀聚類的單分配性聚類結(jié)果示例10在“辨證”時，一種癥狀可表現(xiàn)在不同的證候中，一個患者可以表現(xiàn)出不同的證候；在利用復(fù)方“論治”時，一種中藥可以出現(xiàn)在不同的復(fù)方里。所以在分析這些中醫(yī)問題時，都不適合單純使用聚類方法。 第十一張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用聚類分析存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀中醫(yī)藥術(shù)語的語義復(fù)雜性隨著幾千年語言文化的演變，中醫(yī)術(shù)語普遍存在一詞多義 (Polysemy)和多詞一義 (Synonymy)的現(xiàn)象。如：“

7、喘”與“氣喘”，“納呆”與“厭食”以及“食欲不振”，“不寐”與“失眠”等在癥狀中的不同描述，在中草藥中如“瓜蔞”與“瓜殼”，“姜”與“生姜”等的描述，在證候中如“傷寒”一詞，可以是外感病的統(tǒng)稱，也可以指外感風(fēng)寒的感冒。在聚類挖掘中距離（或密度）的計算時，難以顧及特證詞的語義問題。 第十二張，PPT共三十九頁，創(chuàng)作于2022年6月解決辦法二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀參數(shù)選擇問題聚類的單分配性中醫(yī)藥術(shù)語的語義復(fù)雜性專家指導(dǎo)、算法反復(fù)嘗試采用模糊聚類算法或其它算法建立、完善中醫(yī)臨床術(shù)語系統(tǒng)，構(gòu)建中醫(yī)本體（Ontology ）125？第十三張，PPT共三十九頁，創(chuàng)作于2022年6月關(guān)聯(lián)規(guī)則

8、舌苔薄(白)=中虛氣滯(50%)；舌質(zhì)紅=中虛氣滯(66%)；胃脘痞脹舌苔薄(白)吞酸或泛酸舌質(zhì)紅=中虛氣滯(100%) 基于辨證“中虛氣滯”關(guān)聯(lián)規(guī)則57 四診信息與證候的關(guān)聯(lián)59 四診信息與用藥的關(guān)聯(lián)59 二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第十四張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用關(guān)聯(lián)規(guī)則存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀參數(shù)設(shè)置最小支持度（support）和置信度(confidence)這兩個主要參數(shù)的設(shè)置。當(dāng)參數(shù)設(shè)置較大時，學(xué)習(xí)出的規(guī)則會很少，不具有代表性，而當(dāng)參數(shù)設(shè)置較小時，由于規(guī)則是考察變量之間的組合而產(chǎn)生，將會得出比變量多得多的規(guī)則，導(dǎo)致研究人員或領(lǐng)

9、域?qū)＜矣直谎蜎]在大量的規(guī)則里。臨床專家對規(guī)則的解釋第十五張，PPT共三十九頁，創(chuàng)作于2022年6月隱結(jié)構(gòu)模型 利用隱結(jié)構(gòu)模型分析2600例腎虛患者的35個癥狀的部分圖解96二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第十六張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用隱結(jié)構(gòu)模型存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀與聚類算法具有相同的問題運行速度較慢由于學(xué)習(xí)的目的是建立一個分層樹狀的貝葉斯網(wǎng)絡(luò)，學(xué)習(xí)算法是使用在一次迭代中只能在分層樹上進行一個局部變動的貪心方法（例如，引入一個隱變量或者刪除一條邊），有較高的計算復(fù)雜度，導(dǎo)致學(xué)習(xí)效率比較低。例如，文獻96對2600個腎虛病例中67個癥狀的

10、35個癥狀建立了HLC模型，使用2.4GHz的奔騰IV計算機，花費了98.5小時，而對于分析全部的67個癥狀就較難處理。 第十七張，PPT共三十九頁，創(chuàng)作于2022年6月主題模型3238例糖尿病中藥數(shù)據(jù)中提取的8個主題中的3個主題 3238例糖尿病癥狀數(shù)據(jù)中提取的20個主題中的若干個主題（矩形框左上角之間的距離代表主題間的距離） 二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第十八張，PPT共三十九頁，創(chuàng)作于2022年6月主題模型TOPIC 13（0.01463）癥狀分布概率中藥分布概率 平均劑量(g)診斷分布概率下肢浮腫0.37800車前子0.26460 18.98701糖尿病腎病0.23539浮

11、腫0.20962豬苓0.13746 16.18750低蛋白血癥0.06185顏面浮腫0.06014白術(shù)0.13058 12.50000冠心病0.06014尿量少0.05670澤蘭0.07216 13.00000慢性腎功能不全0.05670大便不調(diào)0.03436大腹皮0.07216 14.78571高血壓0.03952肢體浮腫0.03265山茱萸0.06357 12.54054糖尿病腎病iv期0.03608面部浮腫0.02577法半夏0.04295 10.08000慢性心功能不全0.03265皮膚蒼白0.02234浙貝0.04295 12.48000心功能級0.02405面色晦暗0.02062阿

12、膠0.03265 13.68421血脂代謝紊亂0.02234視物模糊0.01718芡實0.02749 12.00000白內(nèi)障0.022343238例糖尿病數(shù)據(jù)的的癥狀-中藥-診斷主題模型的其中一個主題的概率分布115二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第十九張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用主題模型存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀參數(shù)選擇問題沒有考慮癥狀的輕重程度、中藥的劑量、以及診斷的輕重程度沒有考慮變量間的父子關(guān)系，如肢體麻木下肢麻木解決辦法無參算法設(shè)計對變量合理量化 癥狀：輕（1）、中（2）、重（3）；對中藥劑量進行合理歸一化結(jié)合中醫(yī)本體研究有效的主題模

13、型算法第二十張，PPT共三十九頁，創(chuàng)作于2022年6月部分可觀察馬爾可夫決策過程模型給出患者的處方治療方案112二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第二十一張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用部分可觀察馬爾可夫決策過程存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀對同一病例跟蹤記錄的診次數(shù)據(jù)較少對癥狀的變化值記錄不全第二十二張，PPT共三十九頁，創(chuàng)作于2022年6月復(fù)雜網(wǎng)絡(luò)藥物配伍網(wǎng)絡(luò)示意圖124二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第二十三張，PPT共三十九頁，創(chuàng)作于2022年6月應(yīng)用復(fù)雜網(wǎng)絡(luò)存在的問題二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀目前還沒有考慮中藥的劑量第二十

14、四張，PPT共三十九頁，創(chuàng)作于2022年6月OLPA 數(shù)據(jù)立方體、上卷、下鉆的例子10 二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第二十五張，PPT共三十九頁，創(chuàng)作于2022年6月OLPA信息所snomed數(shù)據(jù)的臨床所見分層部分結(jié)構(gòu) 四診所見及中醫(yī)診察儀器所見望診所見聞診所見問診所見切（按）診所見切（按）診所見望神所見望形體、姿態(tài)所見望形體所見浮腫脫形半身不遂二、真實世界中醫(yī)診療數(shù)據(jù)挖掘 的研究現(xiàn)狀第二十六張，PPT共三十九頁，創(chuàng)作于2022年6月真實世界中醫(yī)診療數(shù)據(jù)的術(shù)語是否準(zhǔn)確、術(shù)語變量對應(yīng)的值是否準(zhǔn)確、采集數(shù)據(jù)是否便于結(jié)構(gòu)化、都會影響數(shù)據(jù)挖掘的最終結(jié)果。數(shù)據(jù)的完整性、語義關(guān)聯(lián)性等，也影響數(shù)

15、據(jù)挖掘的最終結(jié)果。三、數(shù)據(jù)挖掘?qū)φ鎸嵤澜?中醫(yī)診療數(shù)據(jù)的要求第二十七張，PPT共三十九頁，創(chuàng)作于2022年6月三、數(shù)據(jù)挖掘?qū)φ鎸嵤澜?中醫(yī)診療數(shù)據(jù)的要求臨床術(shù)語變量間應(yīng)有同義關(guān)系、父子關(guān)系等標(biāo)志主要癥狀變量描述112 頭部耳眼部對光的反射對光的反射?.術(shù)語分層 第二十八張，PPT共三十九頁，創(chuàng)作于2022年6月三、數(shù)據(jù)挖掘?qū)εR床術(shù)語的要求臨床術(shù)語變量有對應(yīng)的值，且能夠轉(zhuǎn)化為適合分析的結(jié)構(gòu)化數(shù)據(jù)類風(fēng)濕病診斷信息表82 第二十九張，PPT共三十九頁，創(chuàng)作于2022年6月四、數(shù)據(jù)挖掘常用工具軟件（一）WekaWeka包括分類、聚類和關(guān)聯(lián)規(guī)則、屬性選擇等功能。它是開源軟件。（二）SPSS著名的統(tǒng)計分析

16、軟件之一，包含假設(shè)檢驗、統(tǒng)計推斷、預(yù)測、制圖等多種數(shù)據(jù)分析方法。（三）SASSAS是一種功能強大的數(shù)據(jù)分析工具。包括數(shù)據(jù)獲取工具、數(shù)據(jù)取樣工具、數(shù)據(jù)篩選工具、數(shù)據(jù)變量轉(zhuǎn)換工具、數(shù)據(jù)挖掘數(shù)據(jù)庫、數(shù)據(jù)挖掘過程、多種形式的回歸工具、為建立決策樹的數(shù)據(jù)剖分工具、決策樹瀏覽工具、人工神經(jīng)元網(wǎng)絡(luò) 數(shù)據(jù)挖掘的評價工具。第三十張，PPT共三十九頁，創(chuàng)作于2022年6月五、真實世界中醫(yī)診療數(shù)據(jù)挖掘的思考1、術(shù)語、臨床數(shù)據(jù)的規(guī)范性 仔細研究臨床術(shù)語的特征與分類規(guī)則，開發(fā)臨床術(shù)語系統(tǒng)與中醫(yī)本體，對其進行有效維護，便于在電子病歷中與數(shù)據(jù)挖掘中的應(yīng)用； 電子病歷設(shè)計人員與數(shù)據(jù)挖掘人員間有效溝通，設(shè)計合理、有效的臨床數(shù)據(jù)

17、存儲格式，采集便于分析的完整的、準(zhǔn)確的數(shù)據(jù)。2、各醫(yī)療病種提出可行的數(shù)據(jù)挖掘目標(biāo) 中醫(yī)臨床人員與數(shù)據(jù)挖掘人員的有效溝通，設(shè)計數(shù)據(jù)挖掘目標(biāo)，并且對分析挖掘獲得的結(jié)果進行反復(fù)分析研究。3、挖掘方法的可行性、可解釋性、便捷性。 開發(fā)有效的、適合中醫(yī)臨床數(shù)據(jù)的集成多種數(shù)據(jù)挖掘方法的分析挖掘系統(tǒng)，便于被醫(yī)療人員和管理人員便捷使用。第三十一張，PPT共三十九頁，創(chuàng)作于2022年6月參考文獻1劉保延, 張志斌. 古代辨證方法的研究思路探討. 中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2004, 10(5): 325-331.2鄧鐵濤. 辨證論治是中醫(yī)臨床醫(yī)學(xué)的靈魂. 中醫(yī)藥學(xué)刊. 2002, 20(4): 394-395.3

18、胡鏡清, 劉保延, 王永炎. 中醫(yī)臨床個體化診療信息特征與數(shù)據(jù)挖掘技術(shù)應(yīng)用分析. 世界科學(xué)技術(shù)中醫(yī)藥現(xiàn)代化. 2004, 6(1): 14-16.4劉保延, 周雪忠. 中醫(yī)臨床研究方法的思考與實踐系統(tǒng)生物學(xué)濕干研究模式與中醫(yī)臨床研究. 世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化. 2007, 9(1): 85-89.5周雪忠. 中醫(yī)臨床數(shù)據(jù)倉庫構(gòu)建及臨床數(shù)據(jù)挖掘方法研究. 博士后出站報告. 中國中醫(yī)科學(xué)院. 2007.6劉明武. 是告別,還是積極傳承？中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2007, 13(3): 161-166.7袁占國. 十大問題困擾巾醫(yī)藥的生存與發(fā)展. 甘肅中醫(yī). 2008, 21: 11-13.8朱

19、杭溢. 中醫(yī)的生存與發(fā)展是歷史的必然. 中華中醫(yī)藥學(xué)刊. 2007, 25(11): 2377-2379.9T. Mitchell. Machine learning and data mining. Communications of the ACM. 1999, 42(11): 31-36. 10J. Han, M. Kamber. Data mining: Concepts and techniques. Morgan Kaufmann, San Francisco, CA. 2001.11D. Hand, H. Mannila, P. Smyth. Principles of data

20、 mining. MIT Press, Cambridge, CA. 2001.12史忠植. 知識發(fā)現(xiàn). 清華大學(xué)出版社, 北京. 2002.13I. Witten, E. Frank. Data mining: Practical Machine Learning Tools and Techniques. 2nd Edition, Morgan Kaufmann, Massachusetts, USA. 2005.14王玨, 周志華, 周傲英. 機器學(xué)習(xí)及其應(yīng)用. 清華大學(xué)出版社, 北京. 2006.15/opencms/opencms/xxyj/wxzyyj/gujidiaoyan.ht

21、ml.16/96/全國中醫(yī)藥統(tǒng)計摘編/atog/2008/d2-25.htm.17S. Lukman, Y. He, S. Hui. Computational methods for traditional Chinese medicine: a survey. Computer Methods and Programs in Biomedicine. 2007, 88: 283-294.18:8012/tcm/sys/lmService?channelid=YSTSJS&recid=400.19李垠含, 石巖. 數(shù)據(jù)挖掘技術(shù)在中醫(yī)研究中的運用初探. 長春中醫(yī)藥大學(xué)學(xué)報. 2009, 25(

22、1): 8-9.20郝先中. 近代中醫(yī)廢存之爭研究. 華中師范大學(xué)博士論文. 2005.21封毅. 中醫(yī)藥知識發(fā)現(xiàn)可靠性研究. 浙江大學(xué)博士論文. 2008.22吳朝暉, 封毅. 數(shù)據(jù)庫中知識發(fā)現(xiàn)在中醫(yī)藥領(lǐng)域的若干探索(I). 中國中醫(yī)藥信息雜志. 2005, 12(10): 93-95.23宋小莉. 中西醫(yī)思維方式的差異. 中國中醫(yī)藥報. 2004, 4(17): 6-7.24/96/全國中醫(yī)藥統(tǒng)計摘編/atog/2008/A01.htm.25童元元, 何巍, 趙英凱. 世界衛(wèi)生組織傳統(tǒng)醫(yī)學(xué)政策回顧. 中國中醫(yī)藥信息雜志. 2010, 17(1): 2-3.第三十二張，PPT共三十九頁，創(chuàng)作

23、于2022年6月參考文獻26B. Liu, J. Hu, Y. Xie, et al. Effects of integrative Chinese and western medicine on arterial saturation in patients with severe acute respiratory syndrome. Journal of Chinese Integrative Medicine. 2004, 10(2): 117-122.27World Health Organization. SARS: Clinical trials on treatment usi

24、ng a combination of traditional Chinese medicine and western medicine. 2004.28V. Konkimalla, T. Efferth. Evidence-based Chinese medicine for cancer therapy. Journal of Ethnopharmacology. 2008, 116: 207-210.29Z. Wang, Z. Chen. Acute promyelocytic leukemia: from highly fatal to highly curable. Blood.

25、2008, 111: 2505-2515.30L. Wang, G. Zhou, P. Liu, et al. Dissection of mechanisms of Chinese medicinal formula Realgar-Indigo naturalis as an effective treatment for promyelocytic leukemia. Proceedings of the National Academy of Sciences. 2008, 105: 4826-4831.31H. Diener, K. Kronfeld, G. Boewing, et

26、al. Efficacy of acupuncture for the prophylaxis of migraine: a multicentre randomised controlled clinical trial. Lancet Neurol. 2006, 5: 310-316.32B. Flaws, P. Sionneau. The treatment of modern western medical diseases with Chinese medicine: a textbook and clinical manual. 2nd ed. Blue Poppy Press.

27、2005.33J. Rao, K. Mihaliak, K. Kroenke, et al. Use of complementary therapies for arthritis among patients of rheumatologists. Annals of Internal Medicine. 1999, 131: 409-416.34D. Eisenberg, R. Davis, S. Ettner, et al. Trends in alternative medicine use in the United States 1097: results of a follow

28、-up national survey. Journal of the American Medical Association. 1998, 280(18): 1569-1575.35K. Honda, J. Jacobson. Use of complementary and alternative medicine among United States adults: the influences of personality, coping strategies, and social support. Preventive Medicine. 2005, 40(1): 46-53.

29、36K. Thomas, J. Nicholl, P. Coleman. Use and expenditure on complementary medicine in England: a population based survey. Complementary Therapies in Medicine. 2001, 9: 2-11.37H. Yamashita, H. Tsukayama, C. Sugishita. Popularity of complementary and alternative medicine in Japan: a telephone survey.

30、Complementary Therapies in Medicine. 2002, 10: 84-93.38姚美村, 袁月梅, 艾路, 等. 數(shù)據(jù)挖掘及其在中醫(yī)藥現(xiàn)代化研究中的應(yīng)用. 北京中醫(yī)藥大學(xué)學(xué)報. 2002, 25(5): 20-23.39喬延江, 李澎濤, 蘇鋼強, 等. 中藥(復(fù)方)KDD研究開發(fā)的意義. 北京中醫(yī)藥大學(xué)學(xué)報. 1998, 21(3): 15-17. 40田琳. 數(shù)據(jù)挖掘及其在中醫(yī)藥領(lǐng)域中的應(yīng)用.中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2006, 11(9): 7l0-711.第三十三張，PPT共三十九頁，創(chuàng)作于2022年6月參考文獻41丁維, 蔣永光, 宋姚屏, 等. 中醫(yī)知識

31、發(fā)現(xiàn)研究現(xiàn)狀. 數(shù)理醫(yī)藥學(xué)雜志. 2007, 20(3): 403-404.42李志更, 王天芳, 任婕, 等. 中醫(yī)科研中幾種常用數(shù)據(jù)挖掘方法淺析. 中醫(yī)藥學(xué)報. 2008, 36(2): 29-32. 43X. Zhou, B. Liu. Traditional Chinese medicine clinical data mining: experiences and issues. Proceedings of the Workshop on Advances and Issues in Biomedical Data Mining at the 13th Pacific-Asia C

32、onference on Knowledge Discovery and Data Mining. 2009, 11-20.44Y. Feng, Z. Wu, X. Zhou, et al. Knowledge discovery in traditional Chinese medicine: State of the art and perspectives. Artificial Intelligence in Medicine. 2006, 38(3): 219-236.45X. Zhou, S. Chen, B. Liu, et al. Development of traditio

33、nal Chinese medicine clinical data warehouse for medical knowledge discovery and decision support. Artificial Intelligence in Medicine. 2010, 48: 139-152.46劉稼. 聚類分析在中醫(yī)藥研究中的應(yīng)用及意義. 中醫(yī)藥學(xué)刊. 2004, 22(5): 927-928.47李建生, 胡金亮, 余學(xué)慶. 基于聚類分析的徑向基神經(jīng)網(wǎng)絡(luò)用于證候診斷的研究. 中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志.2005, 11(9): 685-687.48鄧兆智, 何弈亭, 余煜綿, 等.

34、 計算機模式識別法對類風(fēng)濕關(guān)節(jié)炎中醫(yī)證候判斷與常規(guī)臨床判斷的比較. 中國中西醫(yī)結(jié)合雜志. 1996, 16(12): 727-729.49劉明, 王米渠. 六綱與腎虛癥狀聚類分析的方法及問題探索. 現(xiàn)代中西醫(yī)結(jié)合雜志. 2005, 14(9): 1117-1119.50張世筠, 沈明秀, 王先春, 等. 中醫(yī)肝證的變量聚類分析. 中國中西醫(yī)結(jié)合雜志. 2004, 24(1): 75-76.51Q. Zhang, W. Zhang, J. Wei, et al. Combined use of factor analysis and cluster analysis in classificat

35、ion of traditional Chinese medical syndromes in patients with posthepatitic cirrhosis. Journal of Chinese Integrative Medicine. 2005, 3(1): 14-18.52Q. He, J. Wang, Y. Zhang, et al. Cluster analysis on symptoms and signs of traditional Chinese medicine in 815 Patients with Unstable Angina. Proceeding

36、s of the 6th International Conference on Fuzzy Systems and Knowledge Discovery. 2009, 435-439.53李國春, 史欣德. 半夏瀉心湯臨床案例用藥量的聚類分析. 中醫(yī)藥學(xué)刊. 2005, 23(5): 836-838.54周德生. 明清時期津液虧損案573例辨證用藥統(tǒng)計分析. 中醫(yī)藥研究. 1998, 14(4): 12-13.55周君, 馮妍. 明清時期消渴病案59例用藥統(tǒng)計分析. 國醫(yī)論壇. 2005, 20(6): 18-18.第三十四張，PPT共三十九頁，創(chuàng)作于2022年6月參考文獻56王華, 胡學(xué)

37、鋼. 基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘在臨床上的應(yīng)用. 安徽大學(xué)學(xué)報(自然科學(xué)版). 2006, 30(2): 21-25.57鐘穎, 胡雪蕾, 陸建峰. 基于關(guān)聯(lián)規(guī)則和決策樹的中醫(yī)胃炎診斷分析. 中國中醫(yī)藥信息雜志. 2008, 15(8): 97-99.58李文林, 趙國平, 陸建峰, 等. 關(guān)聯(lián)規(guī)則在名醫(yī)臨證經(jīng)驗分析挖掘中的應(yīng)用. 南京中醫(yī)藥大學(xué)學(xué)報. 2008, 24(1): 21-24.59朱立成, 林色奇, 薛漢榮, 等. 名中醫(yī)哮喘醫(yī)案445例關(guān)聯(lián)規(guī)則分析. 江西中醫(yī)學(xué)院學(xué)報. 2007, 19(5): 83-87.60吳榮, 王階, 周雪忠, 等. 基于關(guān)聯(lián)規(guī)則的名老中醫(yī)冠心病用藥規(guī)律研

38、究. 中國中藥雜志. 2007, 32(17): 1786-1788.61姚美村, 艾路, 袁月梅, 等. 消渴病復(fù)方配伍規(guī)律的關(guān)聯(lián)規(guī)則分析. 北京中醫(yī)藥大學(xué)學(xué)報. 2002, 25(6): 48-50.62陳擎文. 數(shù)據(jù)挖掘技術(shù)在古代名中醫(yī)中風(fēng)醫(yī)案之應(yīng)用研究. 中華中醫(yī)藥學(xué)刊. 2008, 26(10): 2254-2257.63Z. Zhou, Z. Wu, C. Wang, et al. Mining both associated and correlated patterns. Proceedings of International Conference on Computatio

39、nal Science. 2006, 468-475.64C. Li, C. Tang, J. Peng, et al. NNF: An effective approach in medicine paring analysis of traditional Chinese medicine prescriptions. Proceedings of 10th International Conference of Database Systems for Advanced Applications. 2005, 576-581.65何前鋒, 崔蒙, 吳朝暉, 等. 方劑中配伍知識的發(fā)現(xiàn).

40、中國中醫(yī)藥信息雜志. 2004, 11(7): 655-658.66B. Pang, D. Zhang, N. Li, et al. Computerized tongue diagnosis based on Bayesian networks. IEEE Transaction on Biomedical Engineering. 2004, 51(10): 1803-1810.67H. Wang, J. Wang. A quantitative diagnostic method based on Bayesian networks in traditional Chinese medi

41、cine. Lecture Notes in Computer Science. 2006, 4234: 176-183.68朱文鋒, 晏峻峰, 黃碧群. 貝葉斯網(wǎng)絡(luò)在中醫(yī)證素辨證體系中的應(yīng)用. 中西醫(yī)結(jié)合學(xué)報. 2006, 4(6): 567-571.69K. Deng, D. Liu, S. Gao, et al. Structural learning of graphical models and its applications to traditional Chinese medicine. Proceedings of FSKD. 2005, 362-367.70X. Wang,

42、 H. Qu, P. Liu, et al. A self-learning expert system for diagnosis in traditional Chinese medicine. Expert Systems with Applications. 2004, 26(4): 557-566.71孫燕, 臧傳新, 任廷革, 等. 支持向量機方法在傷寒論方分類建模中的應(yīng)用. 中國中醫(yī)藥信息雜. 2007, 14(1): 101-102.72Z. Gao, L. Po, W. Jiang, et al. A novel computerized method based on su

43、pport vector machine for tongue diagnosis. Proceedings of the 3rd International IEEE Conference on Signal-Image Technologies and Internet-Based System. 2007, 849-854.73焦月, 張新峰, 卓力. 中醫(yī)舌象樣本分類中加權(quán)SVM的應(yīng)用研究. 測控技術(shù). 2010, 29(5): 1-4.74劉士敬, 朱倩. 中醫(yī)產(chǎn)科病證脾氣虛證型量化診斷標(biāo)準(zhǔn)研究92例本證型診斷因素的多元回歸分析. 中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 1998, 4(9): 49

44、-51.75李小兵, 方永奇, 洪永敦, 等. 心腦血管病痰證宏觀辨證的計量化研究. 中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2000, 6(5): 44-47.第三十五張，PPT共三十九頁，創(chuàng)作于2022年6月參考文獻76由松, 胡立勝. 中醫(yī)癥狀及證候的量化方法探討. 北京中醫(yī)藥大學(xué)學(xué)報. 2002, 25(2): 13-15.77黃小波, 李宗信, 陳文強, 等. 慢性疲勞綜合征中醫(yī)證型判別分析. 中國中醫(yī)藥信息雜志. 2006, 6(13): 21-22.78吳蕓, 周昌樂, 張志楓. 中醫(yī)舌診神經(jīng)網(wǎng)絡(luò)的優(yōu)化遺傳算法. 計算機應(yīng)用研究. 2007, 24(9): 50-52.79韋玉科, 汪仁煌, 陳

45、群, 等. 基于競爭神經(jīng)網(wǎng)絡(luò)的中醫(yī)智能診斷推理新方法. 計算機工程與應(yīng)用. 2006, 42(7): 224-226.80秦中廣, 毛宗源. 粗糙神經(jīng)網(wǎng)絡(luò)及其在中醫(yī)智能診斷系統(tǒng)中的應(yīng)用. 計算機工程與應(yīng)用. 2001, 37(18): 34-35.81郭紅霞, 王炳和, 鄭思儀, 等. 基于概率神經(jīng)網(wǎng)絡(luò)的中醫(yī)脈象識別方法研究. 計算機工程與應(yīng)用. 2007, 43(20): 194-196.82J. Yan, Y. Peng, W. Zhu. Experimental study of syndrome elements based on the rough set theory. Proce

46、edings of the 2nd International Conference on Information and Computing Science. 2009, 39-41.83秦中廣, 毛宗源. 粗糙集在中醫(yī)類風(fēng)濕證候診斷中的應(yīng)用. 中國生物醫(yī)學(xué)工程學(xué)報. 2001, 20(4): 357-363.84晏峻峰, 朱文鋒. 粗糙集理論在中醫(yī)證素辨證研究中的應(yīng)用. 中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2006, 12(2): 90-93.85謝國明. 基于粗集理論的中醫(yī)診斷模型的建立. 數(shù)理醫(yī)藥學(xué)雜志.2005, 18(4): 302-304.86X. Zhou, Y. Peng, B. Liu

47、. Text mining for traditional Chinese medical knowledge discovery: A survey. Journal of Biomedical Informatics. 2010, 43(4): 650-60.87X. Zhou, B. Liu, Z. Wu. Text mining for clinical Chinese herbal medical knowledge discovery. Lecture notes comput science. 2005, 3735: 396-398.88S. Li, Z. Zhang, L. W

48、u, X. Zhang, et al. Understanding ZHENG in traditional Chinese medicine in the context of neuro-endocrine-immune network. IET Systems Biology. 2007, (1): 51-60.89C. Cao, H. Wang, Y. Sui. Knowledge modeling and acquisition of traditional Chinese herbal drugs and formulae from text. Artificial Intelli

49、gence in Medicine 2004, 32(1): 3-13.90X. Zhou, R. Zhang, Y. Wang, et al. Network analysis for core herbal combination knowledge discovery from clinical Chinese medical formulae. Porceeding or the 1st International Workshop on Database Technology and Applications. 2009, 25-26.91X. Zhou, S. Chen, B. L

50、iu, et al. Extraction of hierarchical core structures from traditional Chinese medicine herb combination network. Proceedings of the 2008 International Conference on Advanced Intelligence. 2008, 262-67.92胡申寧, 李文書, 施國生, 等. 基于PCA-AdaBoost的舌象顏色分類研究. 廣西師范大學(xué)學(xué)報(自然科學(xué)版). 2009, 27(3): 158-161.93劉鶯, 朱文鋒, 盧芳國,

51、 等. 152例胃癌患者術(shù)前病證聚類與主成份分析. 江蘇中醫(yī)藥. 2004, 25(6): 20-22.94王階, 邢雁偉, 陳建新, 等. 1069例冠心病心絞痛證候因子分析方法的分類研究. 北京中醫(yī)藥大學(xué)學(xué)報. 2008, 31(5): 344-346.95張連文, 袁世宏. 隱結(jié)構(gòu)模型與中醫(yī)辨證研究(I)隱結(jié)構(gòu)法的基本思想以及隱結(jié)構(gòu)分析工具. 北京中醫(yī)藥大學(xué)學(xué)報, 2006, 第三十六張，PPT共三十九頁，創(chuàng)作于2022年6月參考文獻96張連文, 袁世宏, 陳鎪, 等. 隱結(jié)構(gòu)模型與中醫(yī)辨證研究()腎虛數(shù)據(jù)分析.北京中醫(yī)藥大學(xué)學(xué)報. 2008, 31(9): 584-587.97袁世宏,

52、 張連文, 陳弢, 等. 隱結(jié)構(gòu)模型與中醫(yī)辨證研究()模型辨證與專家辨證. 北京中醫(yī)藥大學(xué)學(xué)報. 2008, 659-663.98N. Zhang, S. Yuan. Latent Structure Models and Diagnosis in Tradition Chinese Medicine. Technical Report HKUST-CS04-12. Department of computer science, The Hong Kong University of Science and Technology. 2006.99N. Zhang, S. Yuan, T. Ch

53、en, et al. Statistical validation of traditional Chinese medicine theories. The Journal of Alternative and Complementary Medicine. 2008, 14(5): 583-587.100N. Zhang, S. Yuan, T. Chen, et al. Latent tree models and diagnosis in traditional Chinese medicine. Artificial Intelligence in Medicine. 2008, 4

54、2: 229-245.101張連文, 郭海鵬. 貝葉斯網(wǎng)絡(luò). 科學(xué)出版社, 北京. 2006.102張煜斌, 陸建峰, 李文林, 等. 隱結(jié)構(gòu)模型在慢性胃炎辨證中的應(yīng)用探索基于EM算法的因子分析方法. 北京生物醫(yī)學(xué)工程. 2009, 28(3): 259-267.103M. Sobel. Causal Inference in latent variable models. A.von Eye and C. Clogg (Eds.) Latent variables analysis: Applications for Developmental. 1994.104D. Bartholomew

55、, M. Knott. Latent Variable Models and Factor Analysis. Arnold, London. 1999.105N. Zhang. Hierarchical latent class models for cluster analysis. Journal of Machine Learning Research. 2004, 5(6): 697-723.106M. Steyvers, T Griffiths. Probabilistic topic models. T. Landauer, D McNamara, S. Dennis, et a

56、l. (Eds.), Handbook of Latent Semantic Analysis. Hillsdale, NJ: Erlbaum. 2007, 427-448.107T. Hofmann. Probabilistic latent semantic analysis. Proceedings of the 15th Conference on Uncertainty in Artificial Intelligence. 1999, 289-296.108T. Hofmann. Probabilistic Latent Semantic Indexing. Proceedings

57、 of the 22nd Annual International SIGIR Conference on research and development in information retrieval. 1999, 50-57.109T. Hofmann. Unsupervised learning by probabilistic latent semantic analysis. Machine Learning Journal. 2001, 42(1): 177-196.110D. Blei, A. Ng, M. Jordan. Latent Dirichlet allocatio

58、n. Journal of Machine Learning Research. 2003, 3: 993-1022.第三十七張，PPT共三十九頁，創(chuàng)作于2022年6月參考文獻111馮奇, 周雪忠, 黃厚寬, 張小平. SHP-VI:一種基于最短哈密頓通路的POMDP 值迭代算法.計算機研究與發(fā)展, 48(7): 1301-1309, 2011. 112Feng Qi, Zhou Xuezhong, Huang Houkuan, Yu Jian, Zhang Yin, Tong Xiaolin, Zhang Runshun,Wang Yinghui, Liu Baoyan. A MDP Sol

59、ution for Traditional Chinese Medicine Treatment Planning. In the 3rd International Conference on BioMedical Engineering and Informatics (BMEI10), 6: 2250-2254, 2010.113馮奇, 周雪忠, 黃厚寬, 張小平. POMDP 基于點的值迭代算法中一種信念點選擇方法. 北京交通大學(xué)學(xué)報, 33(5):77-80, 2009.114Feng Qi, Zhou Xuezhong, Huang Houkuan, Zhang Xiaoping. An Uncertainty-based Belief Selection Method for POMDP Value Iteration. In the 10th European Conference on Symbolic and Quantitative Approaches to R