中醫(yī)健康狀態(tài)辨識模型算法研究

健康狀態(tài)是指人們在生活過程中受到自然和社會因素的影響，以及內(nèi)臟、經(jīng)絡(luò)和血液的適應(yīng)和調(diào)節(jié)所形成的狀態(tài)。中醫(yī)健康狀態(tài)辨識是根據(jù)中醫(yī)學(xué)理論,對采集的宏觀、中觀、微觀等表征參數(shù)進(jìn)行綜合分析,辨別程度、位置、性質(zhì)等狀態(tài)要素,而對相應(yīng)的狀態(tài)作出判斷的思維認(rèn)識過程。借助現(xiàn)代計算機技術(shù)及信息處理技術(shù)能夠為中醫(yī)狀態(tài)理論研究和辨識工具的研發(fā)提供方法學(xué)支持,模型和算法的合理應(yīng)用是中醫(yī)健康狀態(tài)辨識研究的核心,也是中醫(yī)辨證思維的集中體現(xiàn)。廣義的模型(model)是指所研究的系統(tǒng)、過程、事物或概念的一種表達(dá)形式,狹義模型則指根據(jù)實驗、圖樣放大或縮小而制作的樣品,本研究中筆者以討論中醫(yī)健康狀態(tài)辨識的廣義模型為主。算法(algorithm)是一系列解決問題的清晰指令,算法代表著用系統(tǒng)的方法描述解決問題的策略機制,即能夠?qū)σ欢ㄒ?guī)范的輸入,在有限時間內(nèi)獲得所要求的輸出。通常模型比算法居于更高的抽象層面,相同的問題模型可以由不同的算法用不同的時間、空間或效率來解決。狀態(tài)識別與中醫(yī)的辯證思維狀態(tài)表征參數(shù)的集合篩選是中醫(yī)健康狀態(tài)辨識的前提和依據(jù),模型算法除了實現(xiàn)表征參數(shù)對狀態(tài)要素貢獻(xiàn)度的計算外,還必須解決以下3個問題。1.參數(shù)的表達(dá)和分類計算2.計算隱藏參數(shù)和驗證器的驗證密碼3.狀態(tài)因素的混合和緩慢基于環(huán)境的模型算法將個體人健康態(tài)區(qū)分為未病態(tài)、欲病態(tài)(前證)、已病態(tài)(顯證),這是一個常規(guī)的分類問題。該類問題的解決在人工智能、數(shù)據(jù)挖掘、機器學(xué)習(xí)等領(lǐng)域都有深入的涉及,但各有偏重。早期建立的中醫(yī)專家系統(tǒng)多圍繞某一位或某幾位專家的辨證論治思維,以建立單病種診療系統(tǒng)為主體,實現(xiàn)一個基于規(guī)則推理的名老中醫(yī)診斷和治療某病證或某幾種病證的“專家系統(tǒng)”,如:1979年關(guān)幼波名老中醫(yī)診治肝炎專家系統(tǒng)、姚貞白婦科專家診療系統(tǒng)等。之后陸續(xù)開發(fā)的中醫(yī)專家系統(tǒng)不下300個,遍及中醫(yī)內(nèi)、外、婦、兒等臨床各科。后期,一些比較先進(jìn)的推理技術(shù)和方法開始逐步得到應(yīng)用,如近似推理、不確定性推理及分級推理等。該類系統(tǒng)最大的“瓶頸”就是不具備靈活、準(zhǔn)確、動態(tài)的專家知識獲取和修正機制。因此提出了對機器學(xué)習(xí)領(lǐng)域各種較為成熟的知識獲取模型算法的極大需求。一個機器學(xué)習(xí)系統(tǒng)至少應(yīng)該由環(huán)境、知識庫、學(xué)習(xí)環(huán)節(jié)和執(zhí)行環(huán)節(jié),4個模塊組成,如圖1所示。環(huán)境主要指信息環(huán)境,如從患者身上采集的四診信息。學(xué)習(xí)環(huán)節(jié)是模型算法應(yīng)用的主要環(huán)節(jié),通過對環(huán)境信息的分析、綜合、類比、推理等思維學(xué)習(xí)過程獲取知識,并存入知識庫。在學(xué)習(xí)環(huán)節(jié)常用到的分類模型算法與數(shù)據(jù)挖掘中的分類模型基本保持一致,唯一不同的就是機器學(xué)習(xí)是一個循環(huán)往復(fù)的過程,能實現(xiàn)對知識庫的不斷的更新和修正,而數(shù)據(jù)挖掘過程往往得到一個階段性的知識規(guī)則成果。知識庫是存儲知識的物理容器。執(zhí)行環(huán)節(jié)用于處理系統(tǒng)面臨的決策問題,如輸入某人的四診信息,經(jīng)執(zhí)行環(huán)節(jié)運算得出證,并對證的判定結(jié)論的準(zhǔn)確性作出評價。當(dāng)較差的狀態(tài)判定評價結(jié)果反饋到學(xué)習(xí)環(huán)節(jié),則會激活新一輪學(xué)習(xí)過程。模糊數(shù)學(xué)模型善于解決現(xiàn)實世界中存在的各種模糊現(xiàn)象和關(guān)系。如解決在中醫(yī)病證診斷中存在的體質(zhì)(強、弱)、咳嗽(輕、中、重)、疼痛程度(很疼、比較疼、有點疼、不太疼)、肝腎陰虛診斷(像、很像、不太像)等這類模糊概念的判別問題。該模型的最大缺點就是很難根據(jù)中醫(yī)辨證思維規(guī)律設(shè)計適合的隸屬函數(shù)。人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是由大量的節(jié)點(或稱“神經(jīng)元”,或“單元”)和之間相互聯(lián)接構(gòu)成。每個節(jié)點代表一種特定的輸出函數(shù),稱為激勵函數(shù)(activationfunction)。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值,稱之為權(quán)重(weight),這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。在學(xué)習(xí)階段,通過調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán),依據(jù)更準(zhǔn)確的預(yù)測輸入樣本的類標(biāo)號來學(xué)習(xí)。該模型的最大缺點就是網(wǎng)絡(luò)拓?fù)浜痛罅磕Ｐ蛥?shù)均憑工程人員的經(jīng)驗產(chǎn)生且構(gòu)建的網(wǎng)絡(luò)模型很難找到好的領(lǐng)域解釋。貝葉斯網(wǎng)絡(luò)是一個圖形模型,能描述屬性子集間的依賴關(guān)系,是針對不確定性知識表達(dá)和推理的方法。通常貝葉斯網(wǎng)絡(luò)由一個有向無環(huán)圖和針對圖中每一個節(jié)點的條件概率表兩部分組成。有向無環(huán)圖中每個節(jié)點代表一個隨機變量,每條弧代表一個概率依賴。如果一條弧由節(jié)點Y到Z,則Y是Z的雙親或直接前驅(qū),而Z是Y的后繼。給定其雙親,每個變量條件獨立于圖中的非后繼。該模型將概率推理和網(wǎng)絡(luò)結(jié)構(gòu)有效結(jié)合起來,能充分利用訓(xùn)練案例中歸納出來的統(tǒng)計知識開展概率推理,而生成的網(wǎng)絡(luò)結(jié)構(gòu)則能將專家頭腦中極其復(fù)雜且高度非線性的知識清晰地表達(dá)出來。因此,在中醫(yī)病證診斷領(lǐng)域得到了較為普遍的應(yīng)用。該模型最大的缺點就是當(dāng)模型的學(xué)習(xí)樣例數(shù)比較少即案例的分布較為片面時,或案例的缺失信息較多時往往無法得到很好的分類判定模型。綜上所述,經(jīng)典中醫(yī)專家系統(tǒng)面臨的自動知識獲取難題和數(shù)據(jù)挖掘分類算法模型僅能獲取階段性知識發(fā)現(xiàn)的局限,提出了對循環(huán)往復(fù)不斷提高判定精度的機器學(xué)習(xí)模型算法的迫切需求。在新一輪研究中,一個融合專家系統(tǒng)、數(shù)據(jù)挖掘分類算法、機器學(xué)習(xí)系統(tǒng)模型等的研究框架的提出,將為中醫(yī)健康狀態(tài)辨識模型算法研究提供良好的基礎(chǔ)和有益的經(jīng)驗。原證素辨證模型的不足以狀態(tài)為中心的健康理論為依據(jù),基于證素辨證的原理,是中醫(yī)健康狀態(tài)辨識模型算法研究的立足點,核心是最大限度地體現(xiàn)中醫(yī)的辨證思維。該模型最大的優(yōu)點在于“根據(jù)證候,辨別證素,組成證名”辨證思維的提出符合中醫(yī)診斷的傳統(tǒng)思維規(guī)律,在對問題做出簡化的同時亦兼顧了中醫(yī)證的兼雜等普遍存在的現(xiàn)象,達(dá)到了執(zhí)簡馭繁的目的。因此,證素辨證的基本原理成為我們開展中醫(yī)健康狀態(tài)辨識模型算法研究的核心原理,即“任何一個證都是由病位、病性等要素構(gòu)成的”。但是,原有的證素辨證模型依然存在一些不足:(1)統(tǒng)涵蓋的個體人健康狀態(tài)參數(shù)(癥)十分有限,大多局限于中觀層面的四診參數(shù),遠(yuǎn)不能全面反映個體人整體健康狀態(tài)全貌;(2)證候?qū)ψC的貢獻(xiàn)度以及采用“雙層頻權(quán)剪叉法”解決權(quán)值的學(xué)習(xí)問題尚有待進(jìn)一步完善,且模型的診斷準(zhǔn)確率未經(jīng)過大樣本臨床數(shù)據(jù)的驗證與校正。應(yīng)用系統(tǒng)科學(xué)的原理和方法,開展中醫(yī)健康狀態(tài)辨識的模型算法研究,是中醫(yī)基礎(chǔ)理論研究領(lǐng)域重大的科學(xué)問題,一方面來自于中醫(yī)原創(chuàng)思維和健康認(rèn)知理論的指導(dǎo);另一方面又推動了中醫(yī)健康理論的豐富與發(fā)展。與此同時,相關(guān)的研究成果又將為健康狀態(tài)辨識系統(tǒng)的研發(fā)提供方法學(xué)平臺。從狀態(tài)辨識角度開展涉及廣泛參數(shù)及病證域判定結(jié)果的模型算法研究,目前尚屬起步階段,因此全面準(zhǔn)確把握中醫(yī)整體思維、高起點設(shè)計健康狀態(tài)辨識模型算法研究的基本框架,對于本領(lǐng)域的研究是極其重要的。1.1要素“痰”與量值的計算由于表征參數(shù)涉及宏觀、中觀、微觀3個方面的資料,因此,同一癥狀可能有不同的表達(dá)形式,而每一種表達(dá)形式作為單一的表征都對相應(yīng)的狀態(tài)要素判斷有一定的貢獻(xiàn)度,如“肥胖”可表現(xiàn)為形體肥胖、體質(zhì)量超標(biāo)、腰圍超過正常值,3個表征參數(shù)均對要素“痰”的判斷有相應(yīng)的貢獻(xiàn)度,如果3個參數(shù)同時采集就必然導(dǎo)致相應(yīng)的狀態(tài)要素貢獻(xiàn)度的量化值增高,反之如果僅采集一個或兩個參數(shù)就可能導(dǎo)致相應(yīng)的量化值降低。此外,在臨床辨證中,一個證可能有十幾個甚至幾十個癥(表征),醫(yī)生通過采集幾個主要的癥即可作出診斷,所采集到的癥的多寡主要影響證的準(zhǔn)確性,而對于程度判斷的影響相對較少,但是如果進(jìn)行加權(quán)計算就可能導(dǎo)致狀態(tài)要素量化值的變化。1.2部分定量與定性結(jié)合的信息由于采集的手段和方法不同,健康狀態(tài)表征參數(shù)的性質(zhì)也有所區(qū)別,傳統(tǒng)四診采集的主要是定性信息,如頭痛、咳嗽、惡寒等,也有部分定量與定性結(jié)合的信息,如脈來一息六至等。隨著健康認(rèn)知理論研究的深入和現(xiàn)代技術(shù)的廣泛應(yīng)用,健康狀態(tài)參數(shù)的范圍涵蓋了宏觀、中觀、微觀3個方面,因此參數(shù)的性質(zhì)已不再局限于原有的定性為主,所采集的參數(shù)有精確的、模糊的、計量的、計數(shù)的、形態(tài)學(xué)的、影像的等等,因此,對于不同類型的參數(shù)的識別和輕重分析以及它們對特定狀態(tài)要素的貢獻(xiàn)度,需要借助不同的算法工具。2.1隱性參數(shù)的貢獻(xiàn)度隱性參數(shù)如環(huán)境、居住條件等,可能長期作用于人體而對狀態(tài)產(chǎn)生影響,但是在疾病發(fā)作之前這些因素對特定證的影響程度可能難以被準(zhǔn)確描述,只有當(dāng)相應(yīng)的表征出現(xiàn)之后,這隱性參數(shù)的貢獻(xiàn)度就顯露出來。如久居濕地,可能產(chǎn)生濕證,但是在患者出現(xiàn)關(guān)節(jié)沉重、酸痛等濕癥之前,濕的因素常被忽略,而當(dāng)濕癥出現(xiàn)之前,對因素“濕”的判別就顯得十分重要,因此,在模型算法設(shè)計時必須考慮隱性因素“發(fā)”與“未發(fā)”,“發(fā)前”與“發(fā)后”在健康狀態(tài)辨識中的不同意義。2.2身熱證的識別真假的判斷是一個綜合分析的過程,臨床醫(yī)生可以通過癥狀的具體表現(xiàn)和出現(xiàn)部位以及癥狀之間關(guān)系等判定疾病的本質(zhì)或假象。所謂“假象”一種是癥狀本身是“假”的,如“身熱”但體溫不高、不喜加衣被,這究竟是不是“真熱”可以在癥狀采集過程中先予以識別,也可通過領(lǐng)域?qū)＜?知識庫)予以限定。另一種“假象”其癥狀是“真”的,只是與疾病的本質(zhì)不相符合,如“至虛有盛候”、“大實有羸狀”,在這種情況下,如何從表征之間建立參數(shù)“真假”綜合判斷的關(guān)系模型及如何教會計算機進(jìn)行癥狀與疾病本質(zhì)的關(guān)聯(lián),將直接影響到證候真假的辨識。3.1主要者為程度弱者理論上說,狀態(tài)要素的程度(輕重)可以通過量化值進(jìn)行表示,但是除了輕重外,各要素間還存在著主次和緩急的關(guān)系,而這種主次和緩急有時難以通過量化值表達(dá)。因為急者不一定都是程度重者,也不一定都是主要矛盾,而程度重者并非都是本證,也未必都是當(dāng)前的主要矛盾,當(dāng)前的主要矛盾可能是標(biāo)也可能是本。臨床上借助對病機和演變規(guī)律的認(rèn)識,能夠比較容易地實現(xiàn)從思維角度區(qū)分各要素的主次和緩急,但是,如何在計算機識別中體現(xiàn)這種區(qū)別和組合,這也是模型算法設(shè)計中必須解決的問題。3.2通過合并證名形成證名狀態(tài)可根據(jù)狀態(tài)要素積分的不同分為未病態(tài)、欲病態(tài)和已病態(tài),證可根據(jù)證素積分的不同而分為顯證和前證,通常情況下,通過對已確立的病位和病性證素的組合可以形成證名。因此,臨床診斷過程常常是顯證與前證的疊加,但是,多個顯證、前證中如何選擇匹配,得出最終結(jié)論?如證素有肝、脾、腎、陰虛、氣虛、氣滯等,甚至更多,組合有多種,肝郁可致氣滯,氣虛亦可致氣滯,那么氣滯的形成是肝郁為主,還是氣虛為主,或兩者共同影響的結(jié)果?又如:肝郁為顯證,而脾虛為前證,若在臨床即可診斷為肝郁脾虛,但模型設(shè)計時對于這種組合是完全考慮、選擇性考慮或完全不考慮,這些都必須通過相應(yīng)的算法才能得以實現(xiàn)。3.3要素相對輕重程度的判定由于構(gòu)成個體人健康狀態(tài)的要素很多,在生命進(jìn)程中各個要素的形成并不是同步的,這不僅與先天因素、個體差異等有關(guān),也與環(huán)境因素、季節(jié)、氣候以及感邪性質(zhì)等密切相關(guān)。因此,不同部位要素或性質(zhì)要素的程度是不同的,這點在辨證過程尤為如此,例如經(jīng)加權(quán)求和計算證素積分后出現(xiàn)肝110分、腎140分、陰虛100分;或肝140分、腎110分、陰虛100分;或肝110分、腎110分、陰虛110分3種情形;按照現(xiàn)有閾值判定標(biāo)準(zhǔn),積分大于等于100分則證素的診斷成立,故模型設(shè)計應(yīng)統(tǒng)一將上述3種情形診斷為“肝腎陰虛”,但在中醫(yī)傳統(tǒng)辨證思維中對要素相對輕重程度的判定是具有很高應(yīng)用價值的。所以,拋開對要素輕重程度的判定僅用單一的要素或證名概括個體人的狀態(tài),本身并不符合中醫(yī)的思維特點。1.中醫(yī)專家系統(tǒng)人工智能領(lǐng)域側(cè)重于人類思維特征的總結(jié)、知識表達(dá)、邏輯推理等,借用該領(lǐng)域經(jīng)典的專家系統(tǒng)理論與技術(shù),各類中醫(yī)專家系統(tǒng)的實現(xiàn)及應(yīng)用在計算機尚未得到普及的上個世紀(jì)70年代曾經(jīng)做出了斐然的成績。2.定義挖掘所引定義數(shù)據(jù)挖掘側(cè)重于“從數(shù)據(jù)中獲取有效、新穎、有潛在應(yīng)用價值和最終可理解模式的非平凡過程”,這是1996年Fayyad等對數(shù)據(jù)挖掘給出的定義。因此數(shù)據(jù)挖掘方法的應(yīng)用更強調(diào)一個從數(shù)據(jù)的集成、清理、轉(zhuǎn)換到分類模型建立、知識評價等的整個過程。近期在中醫(yī)病證狀態(tài)的辨識領(lǐng)域,越來越多的開始采用復(fù)雜、多元的數(shù)據(jù)挖掘算法構(gòu)建中醫(yī)診斷模型,所用方法涉及模糊數(shù)學(xué)、粗集理論、貝葉斯網(wǎng)絡(luò)、貝葉斯分類、基因表達(dá)編程、決策樹、相關(guān)分析、回歸分析等,而尤以模糊數(shù)學(xué)、人工神經(jīng)元網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)等方法最為普遍。1.中醫(yī)數(shù)字辨證證機證素辨證是朱文鋒教授提出的,該模型核心思想是“根據(jù)證候,辨別證素,組成證名”,實現(xiàn)模型的基本算法為“加權(quán)求和浮動閾值”,基于此研制了“中醫(yī)數(shù)字辨證證機”。辨證知識庫則采用“雙層頻權(quán)剪叉法”挖掘臨床案例,并結(jié)合文獻(xiàn)調(diào)研、專家咨詢等方法獲取,最終分別提取了證候?qū)ψC素和證型的診斷權(quán)值,構(gòu)建了中醫(yī)辨證量化統(tǒng)一體系,這為中醫(yī)一體化量化診斷模型的研究開辟了新天地。2.中醫(yī)健康狀態(tài)辨識的功能特點基于上述對健康狀態(tài)辨識需求及對相關(guān)辨證模型研究現(xiàn)狀的分析,在繼承證素辨證原理的基礎(chǔ)上,未來的中醫(yī)健康狀態(tài)辨識的模型算法研究應(yīng)著重體現(xiàn):(1)立足于中醫(yī)健康認(rèn)知理論的創(chuàng)新,充分體現(xiàn)中醫(yī)辨證思維,而非局限于中醫(yī)辨證系統(tǒng)的開發(fā);(2)根據(jù)整體狀態(tài)辨識的不同需求,建立不同的模型,如健康態(tài)辨識模型、辨證模型、辨病模型等,所