基于机器学习的中医证素辨识算法模型集合研究

"Differentiation of syndrome elements" is a new method that differentiates syndrome elements and gives syndrome names according to syndrome manifestations. It is one of the worthiest research results to be used for TCM(Traditional Chinese Medicine)syndrome differentiation model, but the wide application of the model was often limited by its low accuracy.Owing to more than ten thousand TCM clinical cases from our group's previous accumulations, this topic drew on the machine learning system model and built up some algorithms and models of TCM syndrome elements differentiation (including artificial neural network, decision tree, and the least square linear fitting) to verify syndrome elements differentiation accuracies of multipe models based on a large sample of clinical data as well modified the diagnostic weight values of "symptom-syndrome elements" dynamically. Furthermore, the bagging and boosting techniques were used to gather the identification conclusion of different models in order to improve the accuracy of syndrome elements differentiation. It'll activate algorithm sets to rerun for building new models in order to achieve dynamic modifications of model sets and knowledge base when the model accuracy is sharply reduced.One of the results is to find out a set of some algorithms and models of TCM syndrome elements differentiation with higher accuracy, the other is to build up a knowledge base of TCM syndrome elements diagnosis. These will provide the core parts for the realization of the intelligent automatic differentiation function of TCM and also offer the support to basic research for large-scale clinical applications of TCM syndrome elements differentiation models.

"证素辨证"是一种"根据证候，辨别证素，组成证名"的新的辨证方法，是中医辨证模型研究中值得借鉴的研究成果之一，但该模型的广泛应用常因证素辨识准确率较低而成为瓶颈。本课题基于前期积累的逾万条中医临床案例，借鉴机器学习系统模型，研制若干中医证素辨识算法及模型（如人工神经元网络、决策树、最小二乘线性拟合等），在实现"症-证素"诊断权值动态修正同时，进行多个模型证素辨识准确率的大样本临床实验验证和比较。基于此，进一步尝试采用装袋法和推进法来汇总多个模型的辨识结论以达到提高中医证素辨识准确率的目标。当应用中模型集合辨识准确率急剧降低时，则激活算法集合重运行，构建新模型，实现模型集合及知识库的动态修正。课题研究成果一方面是具有更高准确率的中医证素辨识算法模型集合，一方面是中医证素诊断知识库，两者将为中医临床智能化自动辨证功能的实现提供核心部件，亦为证素辨证模型的大规模临床应用提供基础研究支持。

“证素辨识”是中医辨证模型中值得借鉴的研究成果之一。本研究在对权威中医临床教材和期刊文献系统梳理的基础上，采用Matlab平台开展证素辨识模型算法的相关研究。具体如下：.（1）为保障学习案例的正确性，选择国家规划教材内、妇、儿科学中751条病证数据作学习案例。为保证所测试模型的外推性能，从规范四诊信息的中医临床案例数据库中随机抽取50个案例作测试案例。为避免临床医生证素诊断个人主观偏差对模型辨识准确率造成错误评价，测试案例的证素诊断采用投票法集成通过一致性信度的多位中医领域专家的诊断结果。.（2）测试朱文锋教授提出的“症-证素”积分模型性能，准确率90.0%、灵敏度77.4%、特异度90.9%、精度35.7%、SP为56.6%。.（3）实现遗传算法和爬山算法以修正“症-证素”积分。爬山算法所构建模型最优，积分修正后的辨识准确率97.20 %、灵敏度60.40%、特异度98.84%、精度68.44%、SP为64.42%。.（4）实现最小二乘法、支持向量机算法以直接从学习案例中学习证素辨识模型。前者未能构建起理想的模型，后者以基于径向基核函数的算法所构建模型的性能最好，准确率96.1%、灵敏度62.8%、特异度98.2%、精度68.5%、SP为63.8%。.（5）集成朱文锋教授的“症-证素”积分模型（即基础算法）、爬山算法修正后的证素积分模型、SVM证素辨识模型等。各模型赋相等权重，以投票法决定证素辨识结果，即半数以上模型诊断确立的证素才确认诊断成立。初步试验结果：多模型集成的证素辨识准确率97.70 %、灵敏度62.50%、特异度97.32%、精度70.67%、SP为66.59%，提示性能及稳定性均更好。.（6）选择文献调研提示的中医临床常见证素“气滞”作为研究对象，采用德尔菲专家咨询和预调查等方法，经量表参数筛选及信、效度初步考评，研制出“气滞证自评量表”。后续研究生正围绕气滞证自评量表辨识算法方面开展深入研究，这将是本项国家自然科学青年基金课题后续的重要研究方向之一。.课题研究成果一方面是多个中医证素辨识算法模型集合；一方面是中医证素诊断知识库。上述成功构建的模型均以插件方式嵌入福建中医药大学中医证研究基地研制的中医健康管理平台，这为中医临床智能化自动辨证功能的实现提供了核心技术和基础研究支持，为团队探索中医健康管理发挥着重要作用。