方證關(guān)系人工神經(jīng)網(wǎng)絡(luò)構(gòu)建研究
——以《臨證指南醫(yī)案?濕》醫(yī)案為例

李嘉敏，陳洪宇

浙江中醫(yī)藥大學(xué)附屬?gòu)V興醫(yī)院，浙江 杭州 310007

方證關(guān)系人工神經(jīng)網(wǎng)絡(luò)構(gòu)建研究
——以《臨證指南醫(yī)案?濕》醫(yī)案為例

李嘉敏，陳洪宇

浙江中醫(yī)藥大學(xué)附屬?gòu)V興醫(yī)院，浙江 杭州 310007

目的通過(guò)人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建可根據(jù)癥狀體征預(yù)測(cè)用藥的醫(yī)案模型，以《臨證指南醫(yī)案?濕》醫(yī)案為例，分析方證之間的網(wǎng)狀關(guān)系。方法 對(duì)《臨證指南醫(yī)案?濕》醫(yī)案進(jìn)行篩選，將癥狀、體征、處方藥物等數(shù)據(jù)規(guī)范化后錄入。采用Python語(yǔ)言編程，PyBrain模塊構(gòu)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，MatPlotLib模塊繪制誤差曲線、預(yù)測(cè)的擬合曲線，評(píng)估靈敏度與特異度，NetworkX模塊實(shí)現(xiàn)方證網(wǎng)狀關(guān)系的可視化表達(dá)，分析處方內(nèi)的藥物及配伍關(guān)系與其針對(duì)的病證病機(jī)或病理環(huán)節(jié)之間的關(guān)系。結(jié)果 構(gòu)建的醫(yī)案神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)靈敏度96.15%、特異度75.00%，實(shí)現(xiàn)了方證網(wǎng)狀關(guān)系的可視化映射及其單個(gè)、單組、兩組節(jié)點(diǎn)間多角度的分析。結(jié)論 人工神經(jīng)網(wǎng)絡(luò)能較好模擬醫(yī)案知識(shí)的方證關(guān)系，網(wǎng)狀關(guān)系的可視化組合與呈現(xiàn)可為醫(yī)案文獻(xiàn)的方證知識(shí)發(fā)現(xiàn)提供可行方法。

醫(yī)案；葉天士；臨證指南醫(yī)案；方證；人工神經(jīng)網(wǎng)絡(luò)；知識(shí)發(fā)現(xiàn)

清代著名醫(yī)家葉天士曾嘆“吾吳濕邪害人最廣”，現(xiàn)代研究也表明，濕邪參與多種慢性病變發(fā)生發(fā)展過(guò)程，如微循環(huán)代謝紊亂、能量代謝障礙、局部組織炎癥反應(yīng)等[1]，因此對(duì)濕邪所致疾病的辨治研究值得重視。《臨證指南醫(yī)案》[2]出自臨床實(shí)踐，以醫(yī)案形式記錄診療經(jīng)驗(yàn)和思路方法，具有很高的學(xué)術(shù)價(jià)值。通過(guò)分析其中的方證規(guī)律，研究處方內(nèi)的藥味及其配伍關(guān)系與其針對(duì)的病證、病機(jī)或病理環(huán)節(jié)之間的聯(lián)系，有助于闡明醫(yī)案中的辨證原理。

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）是模擬人腦神經(jīng)元的結(jié)構(gòu)與學(xué)習(xí)功能，建立起輸入與輸出層面的非線性模型的一種算法，廣泛應(yīng)用于經(jīng)濟(jì)、工程、生物、醫(yī)學(xué)等領(lǐng)域[3]。根據(jù) Kolmogorov定理，神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)任意非線性函數(shù)進(jìn)行擬合。由于方證關(guān)系的邏輯關(guān)系具有高度復(fù)雜性，難以通過(guò)線性回歸模型實(shí)現(xiàn)，故神經(jīng)網(wǎng)絡(luò)更為適用。目前，該領(lǐng)域研究多從藥物、癥狀/體征等層面，獨(dú)立進(jìn)行統(tǒng)計(jì)學(xué)聚類(lèi)、回歸等分析，其相互關(guān)聯(lián)的研究鮮有報(bào)道。本研究以《臨證指南醫(yī)案?濕》醫(yī)案為例，基于神經(jīng)網(wǎng)絡(luò)算法，探討醫(yī)案數(shù)學(xué)回歸模型的構(gòu)建及方證間的網(wǎng)狀關(guān)系。

1 資料與方法

1.1 數(shù)據(jù)來(lái)源

《臨證指南醫(yī)案?濕》醫(yī)案首診數(shù)據(jù)。排除敘述過(guò)于簡(jiǎn)略、未明確提及癥狀/體征，或無(wú)明確處方用藥的醫(yī)案。將原始文本整理為相應(yīng)的醫(yī)案編號(hào)、原文序號(hào)、患者名氏、臨床表現(xiàn)、處方用藥、辨證依據(jù)等。

1.2 數(shù)據(jù)規(guī)范

參考《中醫(yī)癥狀鑒別診斷學(xué)》[4]規(guī)范癥狀/體征，對(duì)敘述模糊者，通過(guò)上下文理解進(jìn)行規(guī)范，如“溺赤”可能指“尿血”或“小便黃赤”，而醫(yī)案中明確指出是“濕郁”之證，故可推斷此處“溺赤”應(yīng)為“小便黃赤”；對(duì)可明確推斷出的缺失信息也需錄入，如通過(guò)“二便已通”可以推斷出存在“大便秘結(jié)”“小便不通”，應(yīng)予錄入；對(duì)于一些組合性（如“發(fā)熱畏寒”）或臨床特征較具體的（如“汗出熱解，繼而復(fù)熱”）癥狀/體征信息，則按照科技術(shù)語(yǔ)的簡(jiǎn)明性、單義性命名原則進(jìn)行規(guī)范；按照文獻(xiàn)[5]“癥狀體征單元假說(shuō)”，將該類(lèi)信息規(guī)范為“癥狀/體征單元”；對(duì)未收入《中醫(yī)癥狀鑒別診斷學(xué)》的特殊癥狀/體征，按原文錄入。

參考2015年版《中華人民共和國(guó)藥典》[6]對(duì)藥物名稱(chēng)進(jìn)行規(guī)范。對(duì)涉及道地藥材（如“於術(shù)”“茅術(shù)”“川斛”）的描述、中藥制法（如“醋炒半夏”“煨草果”）的差異或取用特殊部分（如“降香末”“淡生姜渣”），若影響功效較小者，規(guī)范為為同種藥名；若有明顯影響的（如“生姜”“干姜”），分別錄入。對(duì)于湯劑合用其他劑型如丸劑，則其他劑型不轉(zhuǎn)換為草藥，與草藥并列錄入。

1.3 神經(jīng)網(wǎng)絡(luò)構(gòu)建及訓(xùn)練

本研究采用 Python語(yǔ)言編程，PyBrain[7]模塊構(gòu)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，MatPlotLib模塊繪制誤差曲線、預(yù)測(cè)的擬合曲線，評(píng)估靈敏度與特異度，NetworkX模塊實(shí)現(xiàn)方證網(wǎng)狀關(guān)系的可視化表達(dá)。

PyBrain為模塊化的機(jī)器學(xué)習(xí)軟件包，可提供功能較強(qiáng)而靈活的機(jī)器學(xué)習(xí)算法。采用PyBrain建立以癥狀/體征為輸入層，以藥物為輸出層的神經(jīng)網(wǎng)絡(luò)，模型選擇前饋神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)。為實(shí)現(xiàn)非線性的建模，隱含層的傳遞函數(shù)（激活函數(shù)）選擇雙曲正切函數(shù)。在輸出層的傳遞函數(shù)選擇方面，由于評(píng)估模型的預(yù)測(cè)性能屬于回歸問(wèn)題，使用線性函數(shù)以保留輸出數(shù)值的線性特征，再通過(guò)線性變換對(duì)輸出值進(jìn)行歸一化處理（線性函數(shù)的輸出數(shù)值的變化區(qū)間較大，需將其限制在一定區(qū)間以符合“是否使用該中藥”的取值意義）。歸一化的算法參考S型修正線性單元中的線性變換方法[8]，能較好保留數(shù)據(jù)原貌。歸一化的區(qū)間可自定義，為適用于后續(xù)的分類(lèi)問(wèn)題，使數(shù)據(jù)變化保持在[0，2]區(qū)間。對(duì)應(yīng)的算法可簡(jiǎn)化表示為其中為歸一化后的輸出值，yi為輸出數(shù)據(jù)。

輸入層與輸出層的節(jié)點(diǎn)數(shù)分別由癥狀/體征及藥物數(shù)量決定。為提高模型的準(zhǔn)確性，本研究剔除低頻（僅1次）癥狀/體征及藥物，以簡(jiǎn)化樣本的輸入層與輸出層規(guī)模。經(jīng)篩選，輸入節(jié)點(diǎn)由80個(gè)減至38個(gè)，輸出節(jié)點(diǎn)由99個(gè)減至49個(gè)。隱含層是構(gòu)建模型的關(guān)鍵部分，若設(shè)定的節(jié)點(diǎn)數(shù)過(guò)多，會(huì)出現(xiàn)容錯(cuò)性差、過(guò)度擬合等問(wèn)題，若過(guò)少又會(huì)造成模型的誤差較大。Shibata與Ikeda的隱含層計(jì)算方法[9]可提高模型穩(wěn)定性，參考其公式對(duì)隱含層數(shù)進(jìn)行調(diào)試。輸出層輸出數(shù)值的分類(lèi)表示方面，可將漸進(jìn)式的分類(lèi)用[0，1]間的數(shù)值表示[10]。為使后續(xù)的分析有層次感，本研究通過(guò)設(shè)定判定閾值Lambda1＝0.2，Lambda2＝0.8，將輸出數(shù)值分為3類(lèi)：輸出值≤Lambda1時(shí)判定為0，認(rèn)為預(yù)測(cè)的處方中沒(méi)有該藥物；輸出值≥Lambda2時(shí)判定為 1，認(rèn)為預(yù)測(cè)的處方中用到該藥物；Lambda1＜輸出值＜Lambda2時(shí)，認(rèn)為可能用到該藥物，該數(shù)值可反映該藥物使用的趨勢(shì)。

醫(yī)案類(lèi)文獻(xiàn)具有各醫(yī)案代表性強(qiáng)的特點(diǎn)，因此訓(xùn)練數(shù)據(jù)集使用納入研究的全部數(shù)據(jù)。采用 Excel2010建立原始數(shù)據(jù)庫(kù)，見(jiàn)表1。以“1＝有，0＝無(wú)”記錄癥狀/體征及藥物情況，對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理并簡(jiǎn)化規(guī)模后，建立用于方證分析的數(shù)據(jù)庫(kù)，見(jiàn)表2。將表2構(gòu)造為監(jiān)督學(xué)習(xí)數(shù)據(jù)集，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

記錄輸出每次訓(xùn)練后的均方誤差，采用MatPlotLib繪圖模塊繪制誤差曲線。設(shè)置隱含層為43節(jié)點(diǎn)，觀測(cè)到當(dāng)?shù)?3次時(shí)均方誤差開(kāi)始收斂，2004次訓(xùn)練后，達(dá)到＜1%的目標(biāo)誤差水平，見(jiàn)圖1。由此構(gòu)建了包含m個(gè)元素的癥狀/體征的集合X與n個(gè)元素的藥物集合Y的關(guān)聯(lián)對(duì)應(yīng)（即方證關(guān)系）的非線性數(shù)學(xué)模型，見(jiàn)圖2。

表1 醫(yī)案原始數(shù)據(jù)

表2 方方證關(guān)系原始數(shù)據(jù)據(jù)

圖2 方證關(guān)關(guān)系神經(jīng)網(wǎng)絡(luò)示意意圖

1.4 方證關(guān)關(guān)系可視化

按照文文獻(xiàn)[11]網(wǎng)絡(luò)圖圖結(jié)構(gòu)，設(shè)計(jì)計(jì)方證網(wǎng)狀關(guān)關(guān)系對(duì)應(yīng)的可視化化映射方式。以以圓形節(jié)點(diǎn)表表示各癥狀/體體征與藥物，節(jié)點(diǎn)的大小與其頻頻率成正比，癥狀/體征與與藥物節(jié)點(diǎn)間的連連線表示關(guān)聯(lián)聯(lián)，連線粗細(xì)表表示關(guān)聯(lián)強(qiáng)弱弱，即神神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值的大小。為控制復(fù)雜雜度，選取一一定的的癥狀/體征與與藥物，用模模型預(yù)測(cè)每個(gè)個(gè)癥狀/體征對(duì)對(duì)應(yīng)的的藥物聯(lián)系，即輸入層該該癥狀/體征的的值為1所計(jì)計(jì)算得得出的結(jié)果。根根據(jù)結(jié)果建立立相應(yīng)矩陣。。采用復(fù)雜網(wǎng)網(wǎng)絡(luò)分分析模塊 NeetworkX繪制制網(wǎng)狀關(guān)系圖，布局采采用Fruuchterman-Reingold算法，以實(shí)現(xiàn)網(wǎng)狀狀關(guān)系的可視化。

2 結(jié)果

22..1 納入數(shù)據(jù)據(jù)基本情況

初步納入《臨證指南醫(yī)醫(yī)案?濕》醫(yī)醫(yī)案59份，剔剔除復(fù)復(fù)診醫(yī)案7份、未提及癥狀狀/體征醫(yī)案3份，最終納納入醫(yī)醫(yī)案49份。

22..2 頻數(shù)分析析

納入數(shù)據(jù)包含原始癥狀狀/體征135種，規(guī)范為為80種種，總出現(xiàn)頻次次為183次。。出現(xiàn)頻率（出現(xiàn)頻次÷÷醫(yī)案案數(shù)）＞10.000%的癥狀/體體征，即主要要癥狀/體征有有食欲欲不振、身痛、腹瀉、心下下痞、舌白、頭脹、小便便不利利、嘔吐、發(fā)熱、痞結(jié)等，，見(jiàn)表3。錄錄入藥物原始始數(shù)據(jù)據(jù)145味，規(guī)規(guī)范為99味，總出現(xiàn)頻次次為312次，其中出現(xiàn)頻率＞10.00%的藥物物有茯苓、厚厚樸、陳皮、滑石石、半夏、苦杏杏仁、生姜、、白術(shù)、通草草、薏苡仁、附子子等，見(jiàn)表4。。

頻數(shù)分析表明，濕邪所所致疾病的癥癥狀/體征主要要包括括以食欲不振、嘔吐腹瀉、、心下痞滿(mǎn)甚甚至結(jié)塊為主主的脾脾胃癥狀，以發(fā)發(fā)熱、身痛、、頭脹為主的的肌表與經(jīng)絡(luò)絡(luò)癥狀狀，以及孔竅氣氣機(jī)受阻的癥癥狀如口渴、、小便不利。其病病位與《素問(wèn)?六元正紀(jì)大大論篇》“濕勝勝則濡泄，甚甚則水水閉胕腫”相符。又“隨氣所在，以言其變耳”，濕邪邪隨氣流動(dòng)，漫漫溢經(jīng)絡(luò)肢體體的游走特性性，在分布廣廣泛的的癥狀中得以體現(xiàn)。濕性黏黏滯，久而傷傷陽(yáng)，痰濕內(nèi)停停，因因此舌色白為關(guān)鍵舌象。使使用最多的藥藥物為茯苓，體現(xiàn)現(xiàn)了從脾論治治的思路，多多用芳香淡滲滲類(lèi)藥物溫化化濕邪邪，辨寒熱虛實(shí)實(shí)而輕重靈活活，使不同部部位的濕邪各各得宣宣通。

表3 《臨證指南醫(yī)案?濕》醫(yī)案中主要癥狀/體征（＞10.00%）

表4 《臨證指南醫(yī)案?濕》醫(yī)案中主要藥物（＞10.00%）

2.3 模型的預(yù)測(cè)性能

隨機(jī)選取5份醫(yī)案，以其癥狀/體征為輸入層，建立測(cè)試數(shù)據(jù)集，比較經(jīng)計(jì)算后的輸出層與實(shí)際用藥的擬合程度。將輸出數(shù)據(jù)的藥物節(jié)點(diǎn)按照節(jié)點(diǎn)的數(shù)值大小降序排列，篩選出前10位的藥物名稱(chēng)及其預(yù)測(cè)數(shù)值。若該10味藥物內(nèi)未包含醫(yī)案實(shí)際用的藥物，則將序列的藥物從右側(cè)依次替換為醫(yī)案的實(shí)際藥物數(shù)據(jù)，確保包含了處方的實(shí)際值（1或 0）與有效的預(yù)測(cè)值，以便比較。預(yù)測(cè)的擬合曲線見(jiàn)圖3。

結(jié)果表明，5份醫(yī)案的處方用藥基本吻合：實(shí)際值為1的藥物共26味，其對(duì)應(yīng)的預(yù)測(cè)值有25個(gè)≥Lambda2（0.80），靈敏度96.15%。實(shí)際值為0的藥物共24味，對(duì)應(yīng)的預(yù)測(cè)值有18個(gè)≤Laambda2（0.20），特異度為75.00%。誤差區(qū)間[-0.21，0.34]，平均誤差為0.086±0.124，表明該模型可根據(jù)癥狀/體征預(yù)測(cè)藥物，且準(zhǔn)確度較高。

2.4 基于模型預(yù)測(cè)的方證網(wǎng)狀關(guān)系

圖3 《臨證指南醫(yī)案?濕》隨機(jī)醫(yī)案預(yù)測(cè)擬合曲線

表5 《臨證指南醫(yī)案?濕》癥狀/體征與藥物關(guān)聯(lián)矩陣

圖4 《臨證指南醫(yī)案?濕》方證網(wǎng)狀關(guān)系圖

選取現(xiàn)頻率最高的10種癥狀/體征與11味藥物，用模型預(yù)測(cè)后，建立10×11矩陣，見(jiàn)表5?；诒?建立網(wǎng)狀關(guān)系可視化見(jiàn)圖4。各節(jié)點(diǎn)以不同顏色區(qū)分癥狀/體征與藥物，節(jié)點(diǎn)連線以粗細(xì)代表輸出與輸入之間的關(guān)聯(lián)強(qiáng)度，并根據(jù)Lambda2、Lambda1判定后分別顯示為紅色實(shí)線、藍(lán)色實(shí)線與灰色虛線，表示遞減的關(guān)聯(lián)強(qiáng)度。單個(gè)節(jié)點(diǎn)分析以白術(shù)為例。該節(jié)點(diǎn)與發(fā)熱、腹瀉為強(qiáng)關(guān)聯(lián)。白術(shù)具燥濕止瀉功效，而圖4提示白術(shù)或有退熱功效。但本草類(lèi)文獻(xiàn)對(duì)于其退熱的功效論述較少，《本草綱目》載白術(shù)“同蒼術(shù)、柴胡，為瘧家必用之藥”，“除胃中熱、肌熱，止汗”，“婦人血虛發(fā)熱，小兒脾虛骨蒸，同茯苓、甘草、芍藥煎服”。可見(jiàn)葉天士對(duì)白術(shù)的理解較深入，而在濕邪所致發(fā)熱、腹瀉的情況下使用。

單組節(jié)點(diǎn)的分析以癥狀/體征節(jié)點(diǎn)“食欲不振”“小便不利”“身痛”為例，其各自對(duì)應(yīng)的連線均為灰色或藍(lán)色，即這些癥狀/體征對(duì)應(yīng)藥物的關(guān)聯(lián)強(qiáng)度不高（≤Lambda2）。同時(shí)，這些節(jié)點(diǎn)的平均直徑較大表明明這一組癥狀/體征對(duì)應(yīng)的藥物廣泛?！吧硗础薄笆秤徽瘛薄靶”悴焕狈謩e體現(xiàn)了人體內(nèi)外上下（肌表、脾胃、體竅）受濕邪侵犯的癥狀，是濕邪致病的代表性臨床表現(xiàn)，對(duì)其診斷具有重要意義。

兩組節(jié)點(diǎn)間關(guān)系的分析以癥狀/體征節(jié)點(diǎn)“心下痞”“頭脹”“嘔吐”“舌白”為例，這些節(jié)點(diǎn)與藥物節(jié)點(diǎn)“茯苓”“陳皮”“半夏”“生姜”“薏苡仁”“苦杏仁”之間，有相互連通且分布密集的紅色連線（分別有4、6、2、3條），表明該兩組節(jié)點(diǎn)的關(guān)系非常緊密。同時(shí)痞結(jié)與陳皮、茯苓都是強(qiáng)關(guān)聯(lián)，提示對(duì)于濕邪所致頭部、胃脘部的脹悶不適、舌色白，伴有嘔吐、甚則脘痞結(jié)塊者，適用二陳湯組合加減燥濕化痰。生姜與半夏味辛，能散胃中濕飲而止嘔，陳皮與苦杏仁苦辛宣壅，可助姜夏行氣燥濕而除胃脘痞滿(mǎn)?！侗静菡费攒蜍摺袄[”，與薏苡仁共同健脾利濕，凝滯去而清陽(yáng)得升，頭脹自除。這與《金匱要略》“卒嘔吐，心下痞，膈間有水，眩悸者，小半夏加茯苓湯主之”的運(yùn)化痰飲思路相互應(yīng)證。

3 討論

本研究構(gòu)建《臨證指南醫(yī)案?濕》醫(yī)案神經(jīng)網(wǎng)絡(luò)模型，可模擬其方證關(guān)系，從“癥狀/體征”預(yù)測(cè)出“藥物”。根據(jù)已建立的方證映射關(guān)系，計(jì)算各個(gè)癥狀/體征所對(duì)應(yīng)的多味藥物組合，并加以可視化的組合與呈現(xiàn)，最終實(shí)現(xiàn)了方證網(wǎng)狀關(guān)系中的單個(gè)、單組、兩組節(jié)點(diǎn)間的知識(shí)發(fā)現(xiàn)。

在此基礎(chǔ)上，擴(kuò)大樣本量，如收集多位名醫(yī)治療同一種疾病的醫(yī)案，可使模型對(duì)該病具備更好的預(yù)測(cè)性能，對(duì)臨床診治可起到輔助決策的作用。同時(shí)，本研究也為醫(yī)案文獻(xiàn)中方證的知識(shí)發(fā)現(xiàn)提供了可行的方法。針對(duì)本研究中存在的局限性，分析及展望如下。

3.1 神經(jīng)網(wǎng)絡(luò)的適用性

神經(jīng)網(wǎng)絡(luò)的方法存在黑箱部分，因此得出的結(jié)果需要經(jīng)過(guò)驗(yàn)證，分析過(guò)程需要尋找文獻(xiàn)證據(jù)支持。

3.2 醫(yī)案數(shù)據(jù)的深化研究

本研究主要為神經(jīng)網(wǎng)絡(luò)模型構(gòu)建研究，所采用的醫(yī)案樣本量較小，若用于提供臨床關(guān)于某一疾病的決策輔助，需整合更多名家的相關(guān)醫(yī)案以提高模型的實(shí)際準(zhǔn)確度與穩(wěn)定性；本研究?jī)H對(duì)高頻癥狀/體征與藥物的方證網(wǎng)狀關(guān)系（10×11）進(jìn)行了分析，仍有大量的知識(shí)有待挖掘。由于葉氏醫(yī)案未注明藥物劑量，其差異的分析難以開(kāi)展，有待進(jìn)一步的劑量標(biāo)準(zhǔn)化研究。同時(shí)，一些癥狀/體征（如“頭如蒙”與“神昏”）之間存在遞進(jìn)關(guān)系，在使用神經(jīng)網(wǎng)絡(luò)處理時(shí)，或許可統(tǒng)一為同一個(gè)癥狀體征，量化賦予不同的值，其數(shù)值量化的規(guī)范尚待探索。

3.3 更高級(jí)的神經(jīng)網(wǎng)絡(luò)模型

基于神經(jīng)網(wǎng)絡(luò)的進(jìn)一步應(yīng)用的前沿研究領(lǐng)域如深度學(xué)習(xí)，也是中醫(yī)數(shù)據(jù)挖掘的趨勢(shì)。在該領(lǐng)域的探索有利于從藥物、癥狀/體征、方劑、分型等多個(gè)層面，更全面細(xì)化地獲取醫(yī)案中的知識(shí)。

致謝：感謝浙江中醫(yī)藥大學(xué)提供文獻(xiàn)版權(quán)！

[1]汪海東,吳晴,王秀薇,等.中醫(yī)濕病的現(xiàn)代認(rèn)識(shí)[J].中醫(yī)雜志,2015, 56(13)：1089-1092.

[2]葉天士.臨證指南醫(yī)案[M].北京：人民衛(wèi)生出版社,2006.

[3]張方圓,郁蕓,趙宇,等.人工神經(jīng)網(wǎng)絡(luò)在臨床醫(yī)學(xué)中的應(yīng)用[J].北京生物醫(yī)學(xué)工程,2016,35(4)：318-324.

[4]姚乃禮.中醫(yī)癥狀鑒別診斷學(xué)[M].北京：人民衛(wèi)生出版社,2000.

[5]劉保延,張啟明.構(gòu)建中醫(yī)臨床科研信息一體化平臺(tái)需要解決的癥狀規(guī)范問(wèn)題[J].中醫(yī)雜志,2011,52(20)：1714-1716.

[6]國(guó)家藥典委員會(huì).中華人民共和國(guó)藥典：一部[M].北京：中國(guó)醫(yī)藥科技出版社,2015.

[7]SCHAUL T, BAYER J, WIERSTRA D, et al. PyBrain[J]. Journal of Machine Learning Research,2010,11：743-746.

[8]JIN X, XU C, FENG J, et al. Deep learning with S-shaped rectified linear activation units[J]. Computer Science,2015,3：1-8.

[9]SHEELA K G, DEEPA S N. Review on methods to fix number of hidden neurons in neural networks[J]. Mathematical Problems in Engineering,2013(6)：389-405

[10]韓立群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社,2006：71.

[11]劉玉琴,曾建勛,王立學(xué).學(xué)術(shù)關(guān)聯(lián)關(guān)系可視化系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].圖書(shū)情報(bào)工作,2014,58(5)：75-81.

Relationship Between Syndromes and Prescriptions of Damp Disease: a Neural Network-based Study on Cases from Lin Zheng Zhi Nan Yi An Shi

LI Jia-min, CHEN Hong-yu(Guangxing Hospital Affiliated to Zhejiang Chinese Medical University, Hangzhou 310007, China)

ObjectiveTaking medical cases in Lin Zheng Zhi Nan Yi An Shi as examples to analyze the network relationship between the syndromes and prescriptions through building a medical case model forecasting medication via artificial neural networks for the syndromes and prescriptions in medical cases. Methods The study screened medical cases in Lin Zheng Zhi Nan Yi An Shi, and standardized and entered the data with Python language programming. PyBrain module was used to build and train a network model. The MatPlotLib module drew the error curve and the predicted fit curve, and evaluated the sensitivity and specificity. NetworkX module realized the visual expression of the network relationship between the syndromes and prescriptions, and analyzed the medicine within the prescriptions and compatibility relationship and the relationship between the pathogenesis and pathology. Results The sensitivity of the constructed medical case network model was 96.15% and the specificity was 75.00%. The visual mapping of the network relationship between the syndromes and prescriptions and the analysis on single, single group, and multi-angle were realized. Conclusion Neural network is capable to simulate the relationship between syndromes and prescriptions of medical knowledge. The visual combination and manifestation of network can provide a feasible solution for the knowledge discovery in medical literature.

medical cases; YE Tian-shi; Lin Zheng Zhi Nan Yi An; syndromes and prescriptions; artifial neural network; knowledge discovery

10.3969/j.issn.1005-5304.2017.09.023

R2-05；R249

A

1005-5304(2017)09-0091-05

2016-09-01）

（

2016-09-18；編輯：向宇雁）

陳洪宇，E-mail：hzchenhy@126.com