中醫(yī)診療專家系統(tǒng)論文

導(dǎo)語：中醫(yī)診療專家系統(tǒng)論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

【摘要】為了解決中醫(yī)診療專家系統(tǒng)中知識(shí)獲取瓶頸和推理技術(shù)應(yīng)用等問題，把基于案例推理技術(shù)用于中醫(yī)診療專家系統(tǒng)的知識(shí)表示和推理。提出系統(tǒng)模型，介紹了案例推理的基本結(jié)構(gòu)：案例提取網(wǎng)（caseretrievalnets）以及案例提取算法，對(duì)系統(tǒng)中案例的學(xué)習(xí)和修正機(jī)制進(jìn)行了說明，并提出用基于案例的解釋來生成診斷結(jié)果的解釋性說明以及輔助構(gòu)建基于案例的中醫(yī)診療輔助教學(xué)系統(tǒng)。這種基于案例推理的中醫(yī)診療專家系統(tǒng)可以適應(yīng)不確定、不完全的知識(shí)表示，病案案例獲取方便，充分體現(xiàn)中醫(yī)經(jīng)驗(yàn)在診療過程中的重要作用，是建立中醫(yī)診療專家系統(tǒng)的一種新方法。

【關(guān)鍵詞】人工智能；專家系統(tǒng)；中醫(yī)；基于案例的推理；案例提取網(wǎng)

Abstract：InordertosolveknowledgeacquisitionandreasoningtechnologyissuesinthetraditionalChinesemedicineexpertsystem，thispaperintegratestheCBRtechniqueintotheKnowledge''''srepresentationandreasoningofit.Weputforwardthesystem''''smodelandintroducethebasicframeworkofcasereasoning:caseretrievalnets,andcaseextractionalgorithm.ThispaperalsoexplainsthemechanismofcasestudyandreviseandputsforwardamethodtoexplainthediagnosisresultandtobuildaassistanttutoringsystemofChinesetraditionalmedicinebyusingcase-baseexplanation.Atlast,thispapermakesasummaryoftheadvantagesofthesystem,andputforwardthefurtherresearchanddevelopmentdirections.Itcanadapttouncertainty,incompleteknowledge,convenientaccesstomedicalrecordscase,fullyembodytheimportantroleoftheChinesemedicineexperienceintheclinicprocess.OurmethodisanovelmethodtoestablishatraditionalChinesemedicineexpertsystem.

Keywords：AI；Expertsystem；TraditionalChinesemedicine；Case-basedreasoning；Caseretrievalnets

中醫(yī)藥現(xiàn)代化是國家中長期科技發(fā)展規(guī)劃中具有戰(zhàn)略意義的研究課題。為了適應(yīng)信息時(shí)展要求，促進(jìn)祖國傳統(tǒng)醫(yī)學(xué)的傳承和發(fā)展，使中醫(yī)中藥在國際競(jìng)爭(zhēng)中更具優(yōu)勢(shì)和特色，利用現(xiàn)代先進(jìn)的智能的信息技術(shù)來解決中醫(yī)診斷信息化過程中的關(guān)鍵問題，無疑是一項(xiàng)迫在眉睫的基礎(chǔ)性工作。然而，我國在這方面的整體研究水平還較低，多數(shù)中醫(yī)診療專家系統(tǒng)缺乏足夠的智能性，離臨床使用要求還有很大距離。歸結(jié)其原因主要有：沒有從中醫(yī)的整體性、系統(tǒng)性來分析和解決問題，僅針對(duì)具體病癥分散開發(fā)一些小系統(tǒng)［1］；系統(tǒng)結(jié)構(gòu)固定，多采用基于規(guī)則的推理，準(zhǔn)確性依賴于初始化時(shí)專家知識(shí)庫的建立，難以適應(yīng)多變的實(shí)際應(yīng)用環(huán)境；沒有很好實(shí)現(xiàn)中醫(yī)專家知識(shí)的自動(dòng)獲取和學(xué)習(xí)，對(duì)于半結(jié)構(gòu)化和非難以適應(yīng)結(jié)構(gòu)化診療知識(shí)無法很好地表示，存在知識(shí)獲取瓶頸；直覺性經(jīng)驗(yàn)知識(shí)是專家經(jīng)驗(yàn)知識(shí)的重要組成部分［2］，現(xiàn)有系統(tǒng)的知識(shí)獲取和表示形式難以適應(yīng)中醫(yī)知識(shí)的這種經(jīng)驗(yàn)性。

基于案例的推理（case-basedreasoning，CBR）是將以前解決問題的經(jīng)驗(yàn)以案例形式存儲(chǔ)，作為以后的問題解決參考的一種機(jī)器學(xué)習(xí)和推理方法［3］。它在非結(jié)構(gòu)化知識(shí)表示上很有優(yōu)勢(shì)，并且在知識(shí)獲取上，優(yōu)于基于規(guī)則的表示。在基于案例推理的醫(yī)學(xué)診療專家系統(tǒng)中，知識(shí)的主體是病案案例，在知識(shí)獲取和學(xué)習(xí)上有大量現(xiàn)成的來源。本文將基于案例的推理技術(shù)引入中醫(yī)診療專家系統(tǒng)的建模中，使用案例表示中醫(yī)專家的診療經(jīng)驗(yàn)，用案例提取網(wǎng)（caseretrievalnets，CRN）作為案例提取結(jié)構(gòu)，實(shí)現(xiàn)案例的提取、學(xué)習(xí)。系統(tǒng)根據(jù)幾千年來眾多中醫(yī)名家的診療經(jīng)驗(yàn)建立案例庫，以案例推理方法為基礎(chǔ)，模擬中醫(yī)專家看病推理過程，針對(duì)病人的“望、聞、問、切”四診癥狀，推斷出病人幾種癥候的可能性，并由此提出建議處方，實(shí)現(xiàn)智能化的中醫(yī)專家診斷過程。

首先提出基于案例推理的中醫(yī)診療專家系統(tǒng)的體系結(jié)構(gòu)，介紹了基于案例的推理和案例提取網(wǎng)的概念，說明案例提取（也即診療過程）的實(shí)現(xiàn)算法；然后說明了在這種結(jié)構(gòu)下案例的修正、學(xué)習(xí)和解釋的機(jī)制及效用；最后，進(jìn)行了總結(jié)和進(jìn)一步研究的展望。

1系統(tǒng)框架和案例提取算法

1.1系統(tǒng)框架中醫(yī)診斷治療過程是，首先建立病人信息模型，通過“望、聞、問、切”四診來獲取疾病癥狀、體征等臨床信息；其次，根據(jù)患者個(gè)人信息和癥狀信息，結(jié)合中醫(yī)理論，給出患者的證型癥候信息及對(duì)患者癥狀的解釋，即“辨證”；最后，根據(jù)辨證和藥物特征，結(jié)合前人方藥經(jīng)驗(yàn)，開出藥方，提出相應(yīng)的治療方案［4，5］?？梢钥闯?，在這個(gè)過程中包含兩個(gè)推理階段：由疾病的表現(xiàn)得到癥候信息、由證候信息推理得到相應(yīng)的治療方案和方劑。

有經(jīng)驗(yàn)的中醫(yī)專家在這兩個(gè)階段中除了能夠充分結(jié)合多方面的中醫(yī)藥理論知識(shí)，最重要的一點(diǎn)就是他們還能將各種診療經(jīng)驗(yàn)結(jié)合在當(dāng)前疾病的診療上。而這種診療經(jīng)驗(yàn)可以轉(zhuǎn)化為案例的表述，從而利用案例推理實(shí)現(xiàn)智能的中醫(yī)診療系統(tǒng)。由此，提出將案例推理技術(shù)用于中醫(yī)診療專家系統(tǒng)開發(fā)的思想?；诎咐评淼闹嗅t(yī)診療專家系統(tǒng)診斷模型見圖1。

圖1中病人信息包括病人的既往病史、日常生活習(xí)慣、體征等內(nèi)容，CBR推理機(jī)根據(jù)病人信息和四診癥狀信息進(jìn)行推理，從診斷案例庫提取的最近似案例送入案例修正模塊，案例修正后輸出即為對(duì)當(dāng)前病案的診斷結(jié)果。診斷并治療取得一定效果后，該病案可以被輸入到案例學(xué)習(xí)模塊，根據(jù)病人反饋及診斷案例庫現(xiàn)有案例的情況判斷是否可以作為經(jīng)驗(yàn)案例存入診斷案例庫，也即經(jīng)驗(yàn)學(xué)習(xí)。

診斷模塊的輸出是癥候辨證信息，這也是治療模塊的輸入信息。因?yàn)榛诎咐评淼闹委熌K與上述診斷模塊結(jié)構(gòu)近似，這里就不贅述了。

1.2案例的表示和案例提取網(wǎng)由于中醫(yī)學(xué)的學(xué)科特性，案例的描述具有極大的不確定性，不能以固定屬性描述的案例結(jié)構(gòu)來表達(dá)診療經(jīng)驗(yàn)。這里用案例提取網(wǎng)（case-retrievalnets，CRN）作為診療案例的描述和提取結(jié)構(gòu)，以動(dòng)態(tài)屬性結(jié)構(gòu)描述案例，有效解決了上述問題。根據(jù)不同的查詢問題，這個(gè)網(wǎng)狀結(jié)構(gòu)在內(nèi)存中動(dòng)態(tài)生成［6］。

圖2是一個(gè)CRN的結(jié)構(gòu)圖。CRN中的案例是通過一個(gè)叫信息實(shí)體（InformationEntities，IEs）的知識(shí)單元來描述的。IEs類似于傳統(tǒng)CBR中案例描述的“屬性－值”對(duì)，但它是一個(gè)原子結(jié)構(gòu)，是CRN中知識(shí)的最小單元。通常情況下使用多個(gè)IEs來描述一個(gè)案例，不同案例由不同的IEs集合來描述。不同IEs之間有相似性關(guān)聯(lián)，且每個(gè)IEs與它要描述的對(duì)應(yīng)案例之間有相關(guān)性關(guān)聯(lián)。

利用CRN解決問題包括以下3個(gè)基本步驟：①與待解決問題相關(guān)的IEs的激活。在中醫(yī)診斷過程中，可以把病人的癥狀信息解析為IEs；在治療方案提出過程，則是具體的癥候描述作為IEs。②CRN中IEs間相似性計(jì)算。IEs間的相似性計(jì)算提供了類似于傳統(tǒng)CBR中相同屬性的不同值之間的比較。通過IEs之間的相似性，可以得到與問題描述相關(guān)的其他IEs的集合，這是一種傳播激活的方式。通過這種方式，擴(kuò)大了搜索的范圍。③案例相關(guān)性計(jì)算。根據(jù)集合中的各個(gè)IEs與各案例的相關(guān)度，計(jì)算出案例與當(dāng)前問題的關(guān)聯(lián)程度。而最終的案例提取就以此為依據(jù)。

1.3CRN的建立和案例提取CRN是根據(jù)具體問題實(shí)時(shí)建立的一個(gè)網(wǎng)狀結(jié)構(gòu)，然而，要根據(jù)問題生成CRN，需要案例庫中存在如下兩個(gè)關(guān)系：①IEse1和IEse2之間的相似性，用δ(e1，e2)來表示。②IEse和案例描述c之間的相關(guān)性，用p(e,c)來表示。

這兩個(gè)關(guān)系取值可以是［0,1］間的一個(gè)小數(shù)。根據(jù)上面CRN解決問題的基本步驟，相應(yīng)的CRN構(gòu)建過程有三個(gè)步驟：

第1步，診斷過程中的各種輸入信息（癥狀表現(xiàn)等）可以解析為一個(gè)IEs子集。對(duì)于案例庫中所有IEs：e，E，癥狀描述中若出現(xiàn)該IEs，則有，否則，有。由于可能有同義詞出現(xiàn)，可以建立一個(gè)同義詞表，多個(gè)同義詞對(duì)應(yīng)一個(gè)IEs。而匹配過程則是先以單個(gè)詞為基礎(chǔ)對(duì)問題描述進(jìn)行簡(jiǎn)單的字符串匹配或是自然語言理解（NLP）分析，得到一個(gè)詞語集合以后，再根據(jù)同義詞與IEs的對(duì)應(yīng)關(guān)系，將其轉(zhuǎn)化成為信息實(shí)體全集E的一個(gè)子集。這一步也是問題的解析過程，得到解析后IEs的集合，也就是＝，是通過存儲(chǔ)在內(nèi)存中的值來表示它是與問題相關(guān)的。

第2步，對(duì)于案例庫中每一個(gè)IEs：e∈E，計(jì)算：

α1(e)=πe〔σ(e1,e)·α0(e1),Λσ(es,e)·α0(es)〕，……(1)

e1～es∈E是問題解析出來的IEs的集合，而πe則是一個(gè)加權(quán)函數(shù)，一般情況下可以采用求最大值或是求和的算法。這一步完成后，針對(duì)當(dāng)前問題的CRN中各個(gè)IEs之間的相似性關(guān)聯(lián)就建立起來了。

通過E1以及上述公式，激活另一些IEs：e∈Es，它們滿足∈Es(e)∈Es0。這個(gè)激活過程可以通過以下公式進(jìn)行無限的擴(kuò)展：αf(e)=πf［σ（e1＞e)·αf-1(e1)，…，σ（es,e)·αf-1(es)］……(2)

其中，e1～es∈Et-2，且Et-2=eI(e))。是計(jì)算時(shí)的一個(gè)閥值。當(dāng)這種激活過程只進(jìn)行了兩步（即只計(jì)算到了）時(shí)，這種迭代的計(jì)算只進(jìn)行了1次，因此，此時(shí)就是CRN的基礎(chǔ)模型BCRN（BasicCRN）。

在傳統(tǒng)CBR中，需要計(jì)算案例庫中每一案例與當(dāng)前問題對(duì)應(yīng)的描述屬性的兩個(gè)屬性值之間的相似程度，以反映問題描述與該案例的相似度。在CRN中，計(jì)算的值就反映了這樣一種屬性值的相似度，反映出案例庫中案例的“屬性－值”對(duì)與所提問題的相關(guān)度。

第3步，對(duì)于案例庫中每一個(gè)案例，計(jì)算：

α2（C）=πc［ρ1(e1,c)·α(e1)，…ρ（es,c）·α1（es)］……(3)

其中，πc函數(shù)與上述的πe類似，是一個(gè)加權(quán)函數(shù)。這時(shí)，IEs之間存在相似性關(guān)聯(lián)［即α1(c)］，而IEs與案例之間存在相關(guān)性關(guān)聯(lián)（即α1(e)），圖2所示的CRN網(wǎng)絡(luò)構(gòu)建完成。

CRN中每一個(gè)α2(c)≠0的案例都是跟當(dāng)前問題有關(guān)聯(lián)的案例，只是它們與當(dāng)前問題關(guān)聯(lián)程度不同，而α2(c)值，就是案例與當(dāng)前問題關(guān)聯(lián)程度的數(shù)值表示。這個(gè)數(shù)值可以稱為關(guān)聯(lián)值。我們可以提取出關(guān)聯(lián)值最大的一個(gè)或幾個(gè)案例作為當(dāng)前問題解決的參考。在基于案例推理的中醫(yī)診療專家系統(tǒng)中，對(duì)于診斷過程，根據(jù)具體病例信息建立CRN，然后提取出與當(dāng)前癥狀最相似的以前的案例（存儲(chǔ)著診斷經(jīng)驗(yàn)），采用其診斷結(jié)果經(jīng)過案例修正，作為當(dāng)前病例的建議診斷結(jié)果，實(shí)現(xiàn)了基于案例推理的診斷。中醫(yī)“論治”的治療過程與此類似，這里就不再贅述了。

2案例修正、學(xué)習(xí)和解釋

2.1案例的修正和學(xué)習(xí)案例的修正是CBR系統(tǒng)中一個(gè)重要的環(huán)節(jié)［7］。因?yàn)樘崛〕鰜淼陌咐豢赡芡耆c待解決問題吻合，因此，就要根據(jù)待解決問題以及一些修正規(guī)則，對(duì)提取的案例進(jìn)行改編，以期能更加符合用戶的要求。案例的修正也是基于案例推理系統(tǒng)的一個(gè)難點(diǎn)，在中醫(yī)專家系統(tǒng)中，中醫(yī)學(xué)基礎(chǔ)理論是案例修正規(guī)則的主要來源，也可以利用人工智能方法提取修正規(guī)則，作為案例修正的依據(jù)。

在中醫(yī)診療專家系統(tǒng)案例的初始化過程中，領(lǐng)域?qū)＜乙獙⒏鞣N疾病的典型中醫(yī)病案案例以標(biāo)準(zhǔn)術(shù)語進(jìn)行描述，形成規(guī)范的IEs全集，并初始化相似度和相關(guān)度度量，然后知識(shí)工程師將這些典型病例輸入系統(tǒng)，構(gòu)造兩個(gè)案例庫：診斷案例庫和治療案例庫。癥狀表現(xiàn)等信息是診斷案例庫的案例描述，而辨證的癥候描述則是診斷案例庫的案例解決；同理，癥候描述是治療案例庫的案例描述，而相應(yīng)的治療方案和藥方則是其問題解決描述。

在系統(tǒng)使用過程中，具體案例的診療又可以以標(biāo)準(zhǔn)化術(shù)語（IEs）描述，根據(jù)其治療效果決定是否加入案例庫，成為以后診療的經(jīng)驗(yàn)，實(shí)現(xiàn)案例的學(xué)習(xí)。并且，在學(xué)習(xí)過程中還要避免過于相似的案例存入案例庫，造成案例庫的冗余。

2.2案例的解釋案例的解釋在中醫(yī)診療專家系統(tǒng)中有兩個(gè)重要的目的，一是面向病患的解釋，用于說明病患癥狀的成因；二是面向系統(tǒng)使用者的解釋，這種解釋通過進(jìn)一步的改造可以成為基于案例的中醫(yī)輔助教學(xué)系統(tǒng)。

可以使用中醫(yī)學(xué)理論規(guī)則作為病案案例的解釋，然而，已有研究表明，基于規(guī)則的解釋在分類/診斷類型應(yīng)用中并不優(yōu)于基于案例的解釋［8］?；诎咐慕忉專╟ase-basedExplanation，CBE）是基于案例的推理與解釋技術(shù)的結(jié)合，這種結(jié)合主要在三個(gè)層次上：使用解釋支持CBR的內(nèi)部過程、利用CBR來生成解釋、使用案例為外部用戶解釋系統(tǒng)的推理結(jié)果。在中醫(yī)專家系統(tǒng)中，可以提供以前案例診斷過程和結(jié)果作為當(dāng)前病案診斷的解釋，這對(duì)于解釋的第二個(gè)目的來說很有效果。然而面向病患的解釋還需要有專家規(guī)則的輔助才能生成。

基于案例的解釋在診斷過程中還有重要的輔助作用。當(dāng)患者提供的初始信息及癥狀描述并不完備時(shí)，需要醫(yī)生對(duì)某些可能癥狀進(jìn)行詢問以進(jìn)一步明確癥狀表現(xiàn)。這時(shí)，需要根據(jù)已有的信息找出最應(yīng)該詢問的問題。參考McSherry在其FirstCase和TopCase系統(tǒng)中采用增量最近鄰方法［9］，在診斷過程中，根據(jù)當(dāng)前已提供信息進(jìn)行最相似案例查找，然后對(duì)這最相似的若干個(gè)案例進(jìn)行比較，找出沒有提供的且差異最大的“屬性－值”對(duì)（也即信息實(shí)體），據(jù)此向病患提出問題，以明確具體癥狀。這其實(shí)就是實(shí)現(xiàn)了“望聞問切”中的問診。通過這種交互反饋方式，進(jìn)一步減小了系統(tǒng)誤診的幾率，提高了系統(tǒng)的精度；同時(shí)，也有助于使用系統(tǒng)的醫(yī)生水平的提高。

3總結(jié)和展望

將基于案例推理技術(shù)用于中醫(yī)診療專家系統(tǒng)是中醫(yī)智能診療系統(tǒng)建設(shè)的一個(gè)新思路，能夠有效解決中醫(yī)專家系統(tǒng)在構(gòu)建過程中的若干問題，總結(jié)起來，其優(yōu)勢(shì)主要有以下幾點(diǎn)：對(duì)于不確定、不完全和不一致的病患信息有較強(qiáng)的適應(yīng)能力，并可以利用基于案例的解釋實(shí)現(xiàn)問診，以進(jìn)一步明確癥狀信息，提高診斷精度；案例提取網(wǎng)的結(jié)構(gòu)決定了病案案例的知識(shí)獲取非常方便，并且不會(huì)影響以前的案例，有效解決了知識(shí)獲取瓶頸；大量的古今病案案例也是很好的案例來源；通過基于案例的解釋進(jìn)一步發(fā)展，可以生成中醫(yī)診療案例教學(xué)系統(tǒng)，幫助年輕醫(yī)師迅速提高診療經(jīng)驗(yàn)；隨著系統(tǒng)的使用時(shí)間增長，案例不斷增加，系統(tǒng)也可以逐漸改善推理性能，適應(yīng)各種病征而不僅限于某一種或一類疾病。

要建成實(shí)際可應(yīng)用的系統(tǒng)，還應(yīng)在以下方面進(jìn)一步完善和發(fā)展：望、聞、問、切四診的定量化、數(shù)字化研究進(jìn)一步的深入研究和發(fā)展；有助于促進(jìn)中醫(yī)診療專家系統(tǒng)的發(fā)展；利用數(shù)據(jù)挖掘和人工神經(jīng)元網(wǎng)等人工智能方法從大量病例中挖掘有效的專家規(guī)則，用于指導(dǎo)案例的學(xué)習(xí)和修正；會(huì)話式CBR（conversationalCBR）和交互式CBR的研究發(fā)展有助于幫助中醫(yī)問診的智能化實(shí)現(xiàn)；需要找到合適的知識(shí)表示方法來表達(dá)病案案例中病情發(fā)展的時(shí)序關(guān)系；“1.3”項(xiàng)中的各加權(quán)函數(shù)常采用最大值或求和的形式，可以考慮利用人工神經(jīng)元網(wǎng)絡(luò)技術(shù)求取和表示這些函數(shù)及權(quán)值信息，以求得更加準(zhǔn)確的表達(dá)。

【參考文獻(xiàn)】

［1］周昌樂，張志楓.智能中醫(yī)診斷信息處理技術(shù)研究進(jìn)展與展望［J］.中西醫(yī)結(jié)合學(xué)報(bào)，2006，4（6）：560..

［2］王震宇.人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)專家系統(tǒng)知識(shí)挖掘中的應(yīng)用［J］.計(jì)算機(jī)與數(shù)字工程，2006，34（10）：146.

［3］AgnarAamodt,EnricPlaza.Case-BasedReasoning:FoundationalIssues,MethodologicalVariations,andSystemApproaches［J］.ArtificialIntelligenceCommunications，1994，7（1）：39.

［4］章浩偉，朱訓(xùn)生，楊華元.中醫(yī)證候分級(jí)推理診斷方法［J］.計(jì)算機(jī)工程與應(yīng)用，2005，9：207.

［5］胡東紅，李德華，關(guān)景火，等.中醫(yī)的四診特征空間與辨證特征空間［J］.北京生物醫(yī)學(xué)工程，2003，22（4）：286，239，1996.

［6］LenzM.，BurkhardHD.CaseRetrievalNets:Basicideasandextensions［J］.G?rzG，H?lldoblerS(eds)KI-96:AdvancesinArtificialIntelligence.LNAI1137，SpringerVerlag：227.

［7］張光前，鄧貴仕.基于事例推理中差異驅(qū)動(dòng)的事例修改策略研究［J］.計(jì)算機(jī)應(yīng)用，2005，25（7）：1658.

［8］CunninghamP.，DoyleD.，LoughreyJ.Anevaluationoftheusefulnessofcase-basedexplanation［A］.Proceedingsofthe5thInternationalConferenceonCBR（ICCBR2003）［J］.Springer，2003：122.

［9］DavidMcSherry.ExplanationinRecommenderSystems［J］.ArtificialIntelligenceReview，2005，24：179.