检索历史 清除

摘要中医处方在治病救人和调理养生方面都做出了极大的贡献。依靠国家方针政策的支持，中医学与中药学的发展日新月异；此外，伴随患者就诊意识的转变，选择婆心济世、治本去根的中医进行诊断并使用性质温和滋补、功效立竿见影的中医处方进行治疗已成为现今深受欢迎的诊疗趋势。为了缓解服务中医诊疗的机构数量少、考核中医医生的标准高等现实情况带来的中医资源匮乏的问题，同时，也为了给经验不足的年轻中医医生在开方时提供标准的处方作为参考，本文利用传统中医背景知识作为指导，通过深度学习技术深入探索症状与草药的联系，针对基础模型的框架弊端进行改进，融入中医开方理论的外部知识，实现中医处方的自动生成。<br>　　本研究以中医知识体系内有关中医诊断开方的概念理论为指引，提出了一种基于双分支网络的中医处方生成方法用于获取丰富且准确的症状特征并形成处方。受到seq2seq框架自身局限性的影响，难以确保获取的症状表征向量能够完全代表输入数据的全部关键内容。为了打破模型原有技术问题的壁垒，同时发挥中医处方学知识的作用，本文设计了双分支引导关联知识模型（DGLKM）。DGLKM使用双分支信息提取模块实现融合中医理念思想的症状特征提取。在中医处方知识的概念中，症状与处方虽然分属不同范畴，但是可依据中医理法建立联系。为了发挥传统理法与组方用药的诊疗法则，本文根据症状对应的处方所内含的潜在信息，构建跨概念知识源引导模块，并将其作为导向分支网络辅助主分支网络的症状特征提取。此外，在主分支网络中，增加了信息串联模块用来对症状的内部信息进行提前处理，旨在通过将症状输入编码网络前感知其内部关联而增强代表症状的语义特征向量的内容丰富度与准确性。此后，DGLKM以双分支信息提取模块获取的症状特征表示为基础，通过覆盖解码器完成后续处方生成。<br>　　为了更好地应用中医立方思想，本文提出了基于草药候选机制的中医处方生成方法。该方法以DGLKM为基础，建立了一种利用seq2seq框架的双分支引导策略结合候选注意力模型（DGSCAM）来基于症状文本自动生成中医处方。根据中医开方时使用基础方剂作为参考的做法，设计任务限定知识库匹配模块获取与待治疗症状相似的各组症状对应的一系列处方构成的方剂式草药候选池。这是第一次在中医处方自动生成过程中尝试使用方剂作为草药候选。此外，鉴于方剂式草药候选池中的草药对治疗症状虽有指导性但数量有限，为了给后续预测草药的解码器提供更大范围的候选草药以满足组方配伍理念，提出了多维度互补注意力模块，以完成涵盖更多常用草药的常规草药库与方剂式草药候选池的优势互补。后续，在利用症状特征表示与上述两个模块的功能进行处方预测时，本文的候选覆盖解码器融合了改进的覆盖机制以防止处方中含有重复草药。<br>　　本文的模型在公共和临床的混合数据集上进行了广泛的实验，取得了 46.52%的精确率、31.46%的召回率和37.54%的F1-分数，并得到了平均7.93的医生评分（满分10分）。实验结果表明，本文提出的模型在实现中医处方自动生成的任务时是专业有效的，且可以达到比基线模型更优异的效果。综上所述，本文开发的DGSCAM有广阔的应用场景，并且对智能化中医开方的研究有很大的推动作用。