< C4EAB5DAC1F9C6DAD5FDCEC4>

Size: px

Start display at page:

Download "< C4EAB5DAC1F9C6DAD5FDCEC4>"

燧颜
7 years ago
Views:

1 中西医结合学报２００６年１１月第４卷第６期 Jo urn al o f C hin ese In t eg r at ive Me dicin e N ov emb er ２００６ V ol ４ N o ６５６７贝叶斯网络在中医证素辨证体系中的应用朱文锋晏峻峰黄碧群湖南中医药大学中医诊断研究所湖南长沙４１０００７摘要中医学所说的证是一个非线性的开放复杂系统中医的辨证属于认知科学思维科学在揭示辨证原理与规律的基础上构建以证素为核心的辨证新体系是统一辨证方法提高辨证水平的需要采用经验建模与计算建模相结合将贝叶斯网络用于中医辨证诊断数据中症状与证素间隶属关系证素之间组合关系的研究运算结果表明其与中医专家经验有很高的吻合性贝叶斯网络是对辨证进行信息挖掘处理的一种较好方法但仍未能全面反映中医辨证的思维能力关键词证素辨证体系中医贝叶斯网络 R２４１中图分类号文献标识码 A 文章编号１６７２１９７７２００６０６０５６７０５ Application of Bayesian network in syndrome differentiation system of traditional Chinese medicine Wen Feng ZHU Jun Feng YAN Bi Qun HUANG Institu te of T raditional C hinese M edicine Diagn osis H unan Universit y o f T raditional C hinese Medicine Cha ngsha H unan Pr ovince ４１０００７ C hina ABSTRACT The concept of syndrome in traditional Chinese medicine TCM is a nonlinear open and com plicated huge system Syndrome different iation in TCM belongs to cognitive and noetic science To establish a new syndrome different iation system based on the key elements of the syndrome is necessary for TCM prac titioners to promote differentiation ability and reach consensus on differentiation method With combination of experience and computation models the Bayesian network was used in the study of the relationship between the key elements of syndrome and the symptoms and the relat ionship among different key elements in which the computing diagnosis result was identical to the result from an experienced TCM doctor The study showed that Bayesian network is a good method to deal with the informat ion of symptoms and signs for syndrome dif ferentiation but i t is also not to reflect comprehensively the thinking ability of TCM doctors in doing syndrome differentiation KEY WORDS key pattern elements syndrome differentiating system traditional Chinese medicine Bayes ian network Zhong Xi Yi Jie He Xue Bao J Chin Integr Med www jcimjournal com 在揭示中医辨证原理与规律的基础上构建以挖掘信息处理等多维的数学方法和计算机技术对证素为核心的辨证体系是统一辨证方法提高辨证证素辨证进行计量分析和判别研究从而使证素辨准确性的一种创新对于辨证的研究可以通过专别达到较为精确的量化可检验的程度贝叶斯网家决策有史知识信息运算的整合等人机结合从络便是中医临床诊断从数据中辨识症状与证素间关定性到定量从而综合集成为人工智能诊断系统系证素组合关系的一种较好算法中医辨证的极其复杂性高度非线性可以运用数据基金项目国家重点基础研究发展计划９７３计划资助项目 N o ２００３ CB５１７１０１ Co rresp ondence to Wen Fen g ZH U M D Pr ofes sor E mail zw f１１８９ yah oo com cn

2 568 中西医结合学报 2006 年 11 月第 4 卷第 6 期 Jo urn al o f C hinese Int egrat ive Medicin e, N ov emb er 2006, V ol.4, N o.6 1 中医辨证思维规律疾病中患者的各种临床表现, 中医称为证候, 或称症状中医辨证的目的, 是为了明确病位与病性等辨证要素, 简称证素各证素的相互组合, 可概括成完整的证名诊断因此, 证素是通过对证候的辨识, 而确定的病位和病性, 是构成证名的基本要素辨证就是根据中医学理论, 通过对证候 ( 症状等 ) 进行分析, 而确定其病理本质证素, 并作 [ 1 ] 出证名诊断的思维认识过程中医辨证的特色是整体辨证, 即从各方面综合判别疾病中机体现阶段的整体反应状态, 而不是依据某项金指标作出诊断结论中医辨证的思维原理与规律是根据证候, 辨别证素, 由证素组合成证名临床上常见的症状, 如恶寒发热头痛头晕胸闷咳嗽盗汗口渴小便清长面色萎黄舌红苔腻脉滑等, 大约有个左右通用的证素, 如心肺脾肝肾胃表经络等病位, 气虚气滞血虚血瘀阴虚阳虚阳亢寒热湿燥痰饮等病性, 约为 50 项由 50 项证素组合而成的证名, 如肺阴虚证肝胆湿热证脾肾阳虚证肝郁脾虚证风寒束表证等, 可有数千个辨证的关键是要确定病位与病性等证素, 临床所搜集的任何症状都是为了辨别证素, 每一证素都有一定的症状体征及体质环境等临床资料, 如身体困重关节肌肉酸痛纳呆恶心腹胀便稀舌苔润滑脉濡等为证素湿的特征性证候任何疾病的表象均与一定的证素相关, 任何复杂的证都是由证素的排列组合而构成每个症状对各证素判断的贡献度 ( 或称隶属度 ) 不同, 证素间的组合有一定的规则, 某些证素间并可有重叠涵盖关系证候证素证名之间存在着极其复杂的网络关系, 形成证素辨证体系中医辨证注重机体整体反应状态所反映出的基本病理证素, 证素是辨证的核心证素辨别是中医学认识论上的一大特色, 它揭示了中医辨证纲领性强与证素组合复杂的科学认识原理只要能准确辨别证素, 就把握了证的实质, 抓住了辨证的纲领证素的多样性组合演变, 构成了病变的复杂性, 也充分反映了中医辨证的灵活性不同的医家在辨证时虽有差异, 但其辨证思维的基本原理是相通的辨证要素的确定某组症状对某个证素的隶属程度证素如何组合以及证型类别都有一定规律可寻以证素辨别为核心的辨证体系, 揭示出了辨证思维的内在规律, 更符合临床辨证时的实际, 使辨证方法易于掌握, 能提高辨证的准确性和规范性, 充 [ 2 ] 分体现了中医学的科学性 2 贝叶斯网络贝叶斯网络 (Bay esian net work) 是用于不确定性推理, 带有概率注释的有向无环图 ( direct ed [ 3 ] acyclic graph,dag) 模型它可根据先验知识和现有的统计数据, 用概率的方法对未知事件进行预测它以直观的图型方法描述数据间的相互关系, 用概率测度的权重表达多个变量间的时序关系相 [ 4 ] 关关系或因果关系等多种依赖关系其坚实的理论基础直观的知识表达灵活的推理能力以及方便 [ 5 ] 的决策机制, 使其成为数据挖掘领域的新兴技术贝叶斯网络的网络结构, 由代表变量节点及连接这些节点的箭头构成每个节点代表一个随机事件变量, 箭头代表了节点间的依赖关系如果两个节点间有箭头连接, 说明两者之间有因果联系 ; 若两者之间没有箭头连接, 说明两者之间没有依赖关系而相互独立每当一个原因节点的出现会导致某个结果的产生时, 都是一个概率的表述, 而不是必然结果贝叶斯网络用条件概率表达事件变量间关系的强度, 一个节点在其父节点的不同取值组合条件下, 取不同属性值的概率, 就构成了该节点的条件概率贝叶斯网络中的条件概率表, 是节点的条件概率的集合根据贝叶斯网络结构以及条件概率表, 可以快速得到每个基本事件的组合概率建造贝叶斯网络是一项复杂的任务, 需要大量知识工程师和领域专家的参与, 并需反复交叉进行才能不断完善贝叶斯网络的学习算法, 包括结构学习和参数学习两部分欲求可能因果网络结构及其参数的先验概率分布, 一般有主观和客观两种方法, 主观的方法是借助人的经验专家的知识等来指定先验概率, 它要求专家作大量精细研究, 且仍带有一定主观片面性 ; 客观的方法是通过直接分析数据特点, 来观察数据变化的统计特性, 它要求有足够多的数据才能真正体现数据的真实分布针对手工构建贝叶斯网络模型效率低下的缺陷, 研究者们提出了一系列从数据中自动学习贝叶斯网络结构和参数的学习算法, 如基于约束和基于得分函数的贝叶斯网络结构学习算法, 以及结合两者长处的杂交学习算法根据先验知识和现有的统计数据而建立数据库, 让计算机按照贝叶斯网络杂交学习算法自动进 [ 6 ] 行学习, 可获得相应的贝叶斯网络贝叶斯网络学习的目的之一, 是为了实现贝叶斯网络的推理在已知一些变量发生的条件下, 计算机能从提供的数据库中发现变量之间的因果关系和每一变量的局部概率分布当已知其中某些变量发生时, 可根据贝叶斯公式求另一些变量的后验概率, 这一过程称为贝叶斯网络的推理

3 中西医结合学报 2006 年 11 月第 4 卷第 6 期 Jo urn al o f C hin ese Int egrat ive Medicin e, N ov emb er 2006, V ol.4, N o 肺系病证辨证运算举例在证素辨证体系 [ 1 ] 的研究中, 我们以肺系病证为重点, 应用贝叶斯网络技术, 对症状与证素间的相关关系证素组合形成证名的规律进行探讨训练样本集的样本量为 806 个临床病例, 含有症状 916 个, 涉及证素 48 项, 由证素组成的证名 610 条, 作为网络中的各个节点每个病例中的症状和证素都是布尔变量, 只有出现和不出现两种状态应用时输入每个病例的症状, 临床医生对该病例的证素辨识和证名诊断建立数据库, 从中获得中医辨证的贝叶斯网络分类器为了减少计算量, 贝叶斯网络将出现频率小于 16 次的症状和证素未纳入统计, 从 916 个症状中筛选出常见症状 187 个, 从 48 项证素中筛选出常见证素 26 项基于这一分类器, 我们就能根据病人的临床表现推理出证素和证名对中医辨证贝叶斯网络的仿真实验, 首先输入 1 例患者的全部症状信息, 通过运算后得出辨证网络图及局部概率分布表, 然后将计算得到的结果交中医专家进行评判, 以评估贝叶斯网络结构学习算法用于症状证素证名相关关系发现的可行性验证病例所输症状, 提示的证素证名, 举例见表 1 中医辨证贝叶斯网络通过运算, 绘制出临床病例的症状与证素相关关系图, 见图 1 中医专家认为, 这 4 张图很好地反映了证素与症状之间的相关关系, 直观地提供了与每个证素直接相关或间接相关的症状, 准确区分了相关症状与无关症状, 如图 1( B) 中的经常便溏和腰痛与肺热炽盛证无关, 并且识别出了容易被专家忽略的相关关系, 如图 1( C) 中症状久不欲食与证素阴虚亦有一定的相关性中医辨证贝叶斯网络通过运算, 能够表达症状与证素间关系强度的条件概率如肺热炽盛证的局部概率分布见表 2 表 1 验证病例表编号输入变量数输入症状提示证素提示证名 A 11 咳嗽, 气喘, 吐痰, 发热重恶寒轻, 口腔赤烂, 腰痛, 舌苔微腻, 脉浮, 脉数肺风热风热犯肺证 B 11 发热, 咳嗽, 痰色黄, 肺部湿罗音, 腰痛, 经常便溏, 舌赤, 舌苔黄, 脉数热肺肺热炽盛证 C 13 咳嗽, 五心烦热, 潮热, 干咳, 咽干, 久不欲食, 面色晦暗, 舌红嫩小, 苔少, 脉细, 脉数阴虚肺肺阴虚证 D 13 咳嗽, 吐痰, 气喘, 肺部湿罗音, 喉哮鸣声, 舌苔黄, 舌苔腻, 脉滑, 脉数痰热肺风热痰热壅肺证图 1 症状与证素相关性贝叶斯网络图 A : 风热犯肺证 ;B : 肺热炽盛证 ;C : 肺阴虚证 ;D : 痰热壅肺证

4 570 中西医结合学报 2006 年 11 月第 4 卷第 6 期 Jo urn al o f C hinese Int egrat ive Medicin e, N ov emb er 2006, V ol.4, N o.6 表 2 肺热炽盛证各变量的局部概率分布表变量及其赋值概率 ( P 值 ) 发热 = 1 脉数 = 发热 = 1 脉数 = 腰痛 = 咳嗽 = 1 肺部湿罗音 = 0, 肺 = 咳嗽 = 1 肺部湿罗音 = 0, 肺 = 咳嗽 = 1 肺部湿罗音 = 1, 肺 = 咳嗽 = 1 肺部湿罗音 = 1, 肺 = 痰色黄 = 1 咳嗽 = 0, 热 = 痰色黄 = 1 咳嗽 = 0, 热 = 痰色黄 = 1 咳嗽 = 1, 热 = 痰色黄 = 1 咳嗽 = 1, 热 = 经常便溏 = 肺部湿罗音 = 1 肺 = 肺部湿罗音 = 1 肺 = 舌赤 = 1 发热 = 0, 舌苔黄 = 0, 脉数 = 0, 热 = 舌赤 = 1 发热 = 0, 舌苔黄 = 0, 脉数 = 0, 热 = 舌赤 = 1 发热 = 0, 舌苔黄 = 0, 脉数 = 1, 热 = 舌赤 = 1 发热 = 0, 舌苔黄 = 0, 脉数 = 1, 热 = 舌赤 = 1 发热 = 0, 舌苔黄 = 1, 脉数 = 0, 热 = 舌赤 = 1 发热 = 0, 舌苔黄 = 1, 脉数 = 0, 热 = 舌赤 = 1 发热 = 0, 舌苔黄 = 1, 脉数 = 1, 热 = 舌赤 = 1 发热 = 0, 舌苔黄 = 1, 脉数 = 1, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 0, 脉数 = 0, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 0, 脉数 = 0, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 0, 脉数 = 1, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 0, 脉数 = 1, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 1, 脉数 = 0, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 1, 脉数 = 0, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 1, 脉数 = 1, 热 = 舌赤 = 1 发热 = 1, 舌苔黄 = 1, 脉数 = 1, 热 = 苔色黄 = 脉数 = 热 = 1 苔色黄 = 0, 脉数 = 0, 肺 = 热 = 1 苔色黄 = 0, 脉数 = 0, 肺 = 热 = 1 苔色黄 = 0, 脉数 = 1, 肺 = 热 = 1 苔色黄 = 0, 脉数 = 1, 肺 = 热 = 1 苔色黄 = 1, 脉数 = 0, 肺 = 热 = 1 苔色黄 = 1, 脉数 = 0, 肺 = 热 = 1 苔色黄 = 1, 脉数 = 1, 肺 = 热 = 1 苔色黄 = 1, 脉数 = 1, 肺 = 肺 = 表中变量被赋值为 1, 表示该变量发生, 如发热 = 1 ; 变量被赋值为 0, 表示该变量不发生, 如脉数 = 0 图 1(B) 中每一变量与其它变量的相关关系, 可用表 2 中的条件概率定量表达出来如肺部湿罗音和肺是咳嗽的两个交节点 ( 即箭头指向咳嗽的两个直接相关节点 ), 表示肺部湿罗音和肺是两个对咳嗽能否发生的直接影响因素, 其它因素与咳嗽仅为间接关系甚至无关当不发生肺部湿罗音而且病位不在肺时, 出现咳嗽的概率很低, P = 当发生肺部湿罗音或 ( 和 ) 病位在肺时, 发生咳嗽的概率明显增加, P = ~ 腰痛经常便溏是两个与其它变量非直接相关的变量, 其发生概率非常低, 分别为 P = , P = 医学知识告诉我们, 上述结论是可信的中医辨证贝叶斯网络, 关于证素相互组合而构成证名的实验, 举例如下 ( 见表 3) 病例编号 :366 已考虑的症状 : 五心烦热, 盗汗, 脘腹痛, 脘痞胀, 咳嗽, 干咳, 痰粘难咯, 咽干, 久不欲食, 大便干结, 形体消瘦, 颧红, 脉细没有考虑的症状 : 隐痛, 干呕激活证素 : 肺, 胃, 阴虚 ; 激活证名 : 肺胃阴虚中医专家认为, 贝叶斯网络判别与临床辨证完全吻合表 3 一例肺胃阴虚证病例的贝叶斯网络判别与临床辨证结果证素推算概率阈值推算判别临床辨证痰热肺心肝脾肾胃阳虚阴虚气虚血虚气滞血瘀肠道闭心神水停风寒风热表寒饮燥胸膈肺胃阴虚贝叶斯网络应用于中医证素辨证的体会 4.1 贝叶斯网络能较好地体现中医辨证思维原理通过对贝叶斯网络学习与推理原理和算法的考察, 我们发现该技术能很好地模拟人脑的学习与思维过程, 模拟临床专家实践经验的积累方式它能够通过自学习而进行经验积累, 并可从数据挖掘中发现某些隐含变量, 通过相关概率分析各种可能性, 对变量间关系的复杂与精细程度的辨别, 超出人脑

5 中西医结合学报 2006 年 11 月第 4 卷第 6 期 Jo urn al o f C hin ese Int egrat ive Medicin e, N ov emb er 2006, V ol.4, N o 所能的范围, 从而可以提高辨证推理的准确性, 运用中并能不断提高辨证的能力其推理过程, 是建立在相关概率的计算阈值的设定和数理推导基础之上, 不仅推理过程明确, 可重复性强, 而且结论表达具有很高的精度中医辨证贝叶斯网络能计算出症状证素证名之间的量化关系, 为中医证素辨证体系的量化研究提供了重要的统计数据贝叶斯网络技术对变量的输入并无限制, 只须将收集到的临床资料输入计算机, 任凭网络自行学习发现推理和预测而得出诊断结论, 因而具有客观性贝叶斯网络技术属于思维科学非线性科学, 具有整体性动态性复杂性等特点, 将比较模糊不易掌握的中医辨证理论, 用可视的图形清晰的语义精细的数据进行描述, 有助于对辨证的理解, 可阐发中医辨证的科学性 4.2 优质的学习资料是构建网络的重要因素贝叶斯网络的构建, 实际是一种培训学习贝叶斯网络的知识主要是从我们提供的样本库的学习中获得的从临床上所收集病例的病情信息是否全面准确客观, 临床医师的辨证是否准确, 将直接决定贝叶斯网络的学习水平和应用贝叶斯网络进行临床辅助诊断的准确性因此, 提供高质量的样本对网络学习至关重要每个症状证素证名都要有一定的样本量样本量小时, 易致信息获取不全, 使学习计算结果可靠性差, 如当样本学习数为 200 时, 其辨证符合率仅为 (35.57 ± 33.94) % ; 随着样本量的增加, 准确率逐步提高, 当学习样本数增长至 400 时, 辨证符合率升至 (76.00 % ± 31.89) %, 预测精度比 200 例组高出 1 倍以上 ; 样本量越大, 学习推理结果越准确病情基本相同同一证型的病例, 经过约 20 份样本的学习, 即可得到准确的运算判别结果, 这同临床医师的成长一样, 与实践经验的多少直接相关 4.3 贝叶斯网络尚难全面体现辨证思维尽管贝叶斯网络存在诸多特点和优势, 但同其它算法一样, 它也存在着明显不足贝叶斯网络是基于频率的算法, 当某些症状证素证名出现频率很低时, 为了减少计算量, 通过变量筛选势必将其舍弃, 但这些变量的诊断意义不一定低, 不将其纳入计算, 必然使信息获取不全, 从而影响推理判断的准确性临床的症状一般都有轻中重之分, 其辨证价值亦有差别, 但贝叶斯网络对每个变量只有出现和不出现两种状态, 因而难以全面反映证候的辨证意义临床上有的症状对某证素的判断是起否定作用的, 如症状舌淡胖就能降低证素阴虚的可能性, 而贝叶斯网络计算出的局部概率分布参数则无正负之分, 势必对辨证的结论产生负面影响概率不等于权重, 它是通过各种关系的比较而确定的, 并随自变量更动而变动, 因而贝叶斯网络上每个节点的条件概率, 是随机动态的, 未能提出每个节点相对静态固定的概率参数, 其表达可精确至到之间, 但必须在计算机网络下运行, 这远非通过人脑思维所能做到, 因而贝叶斯网络的推理判断难以为临床医生掌握和应用 4.4 人机结合, 建立人工智能辨证系统贝叶斯网络的建模, 可采用主观方法和客观方法根据有关文献知识医师经验等来指定先验概率, 即对症状体征等临床表现的辨证意义, 实行定性定量刻划, 建立症状证素因果关系学习模块症状证素推理关系学习模块证素证名学习推理模块, 并形成贝叶斯网络初始模型在此基础上, 网络通过对所输入病例的再学习, 分析数据特点, 逐渐实现概率数据的真实分布然后将所得概率数据交领域专家审定, 并针对贝叶斯网络的不足, 对网络的结构或概率表进行修改, 再形成新的贝叶斯网络学习推理模型这样即克服了手工构建贝叶斯网络模型效率低下的缺陷, 防止了只使用专家经验可能带来的主观偏见, 也避免了只进行样本学习带来的有效信息丢失和大量盲目搜索与计算, 从而提高中医辨证贝叶斯网络应用的准确性对于中医辨证的研究, 除可采用贝叶斯网络学习推理运算外, 还可采用神经网络 L ogistic 回归聚类分析主成分分析粗集理论模式识别等多维的数学方法和计算机技术, 互相补充修正, 实现柔性计算技术的有机融合这样通过专家决策有史知识信息运算的整合, 人机结合, 从定性到定量, 从 [ 7 ] 而综合集成为人工智能辨证系统 [ 参考文献 ] 1 海霞. 朱文锋教授谈证素辨证新体系. 中国中医药报, (5). 2 朱文锋, 晏峻峰. 证素辨证新体系的内容及科学意义. 医学与哲学,2005,26(1) : Jensen F V. A n introduction to Bayesian net w orks. Lon don : U CL P ress, Pearl J. Probabilistic reasoning in intelligent systems : Net works of plausible inference. San Mateo, CA : Mo r gan Kaufmann, Heckerman D, Mamdani A, Wellman M P. Real world application o f Bayesian net w ork. Commun AC M, 1995, 38(3) : 王学伟, 瞿海斌, 刘雪松, 等. 贝叶斯网络杂交学习算法及其在中医中的应用. 浙江大学学报 ( 工学版 ),2005, 39(7) : 洪净. 中医辨证的思维模式和方法研究. 中医杂志, 2003,44(1) : [ 收稿日期 ]

中国与欧洲关系年

中国与欧洲关系年中国与欧洲关系年周弘本文全面回顾了中国与欧洲共同体欧洲联盟及其成员国年至年间政治和经济关系的发展历程分析了当前中欧关系取得的进展和存在的问题作者认为年来中国与欧洲关系的发展变化见证并体现了世界格局的演变以及中国和欧洲这两大很不相同的世界力量自身的发展变化中欧之间不断深入和拓展的交往使双方都从中获益而这种交往所创造出来的体制机制和方式方法也堪为人先中欧关系能否在第二个年中顺利发展