基于多图卷积神经网络的中药推荐方法技术

本发明专利技术涉及一种基于多图卷积神经网络的中药推荐方法。包括中医数据特征聚合阶段和中药预测阶段；所述中医数据特征聚合阶段采用两个独立的GCN对症状、证型、状态要素数据进行特征聚合、提取，从而为每个样本获得具有丰富信息的特征向量；所述中药预测阶段采用多层感知机MLP对聚合后的特征进行分类，最终得到一组中药集合。本发明专利技术既借助了中医的临床诊疗经验，又考虑到了症状组合间相互的依赖关系，因而取得了较好的效果。而取得了较好的效果。而取得了较好的效果。

【技术实现步骤摘要】
基于多图卷积神经网络的中药推荐方法


[0001]本专利技术属于推荐
，具体涉及一种基于多图卷积神经网络的中药推荐方法。

技术介绍

[0002]在中医临床诊疗过程中，“辩证论治”和“状态辨识”是两种常用的中医诊疗方法。“辩证 论治”的诊疗特点是根据病人表现出的症状组，进行中医证型的判断，再结合辩证所得的中医 证型信息，开出相应的中医处方进行病症的治疗。而“状态辨识”的诊疗特点是根据病人表现 出的症状信息，进行状态要素(病位、病性)信息的提取，再结合所得状态要素，进行相应中医处 方的开具。两种诊疗方法各具特色，均有助于提升中医诊疗的客观规范性和临床实用性。
[0003][0004]但是，当前医院均是通过医生纯人工的方式进行临床患者中医四诊及病史信息采集和病症 的诊断与治疗。鉴于中医诊疗过程的复杂性和多样性以及中医思维的灵活性和抽象性，单纯借 助人工进行诊疗难以做到标准化、客观化诊疗，也易出现误诊漏诊的情况。因此，借助计算机 技术模拟临床医生的诊疗过程，智能化匹配出中药处方，有助于医生在临床诊疗过程中更科学、 更快速、更精准地制定诊疗策略，同时也可助推中医的现代化传承与智能化发展。
[0005]中药推荐的目标是从病人的一组症状出发，得到治疗该症状的中药组合。中药推荐的主要 挑战如下：首先，中医不同的症状组合中存在着某些关系，相同的症状与不同的症状相组合可 能对应于不同的病性，从而得到的中药也有所不同。如何合理地挖掘症状中的关系是其一大挑 战。其次，中医实践中已经证明，归结证型和状态要素等信息对医生的开药有所帮助，这对中 药推荐模型的构建也应有所启发。如何合理地应用中医临床诊疗的经验和方法，从而模拟出中 医诊疗的过程，是其第二大挑战。因此，探索建模合理且具高鲁棒性的中药推荐方法有着重要 意义。
[0006]近年来，机器学习相关技术迅猛发展，已经逐渐运用到中医领域，成为缓解医疗资源短缺， 提升临床诊断和服务能力的强大动力。目前，一些中药推荐的方法已经被提出，大部分主流方 法使用主题模型及其相关变种方法，将证型作为潜在主题，通过学习对于每个症状的潜在主题 分布来进行中药推荐，从而模拟出“辩证论治”的诊疗过程。但是，这类模型注重于挖掘症状 和中药的共现关系，却忽略了症状组之间的关系，因而不能很好地建模症状与中药之间的关系。
[0007]最近，图卷积神经网络方法被提出，并在自动推荐、自然语言处理以及计算机视觉领域取 得了显著的效果。其通过对图数据巧妙的卷积操作，可以很好地学习到图的拓扑结构之间的信 息，同时不遗漏掉节点自身的特性。本专利技术将图卷积神经网络运用于中药推荐任务之中，通过 图卷积神经网络提取症状之间的关系信息，并同时结合了“辨证论治”和“状态辩识”的理论 基础，所得模型更接近于中医实际临床诊疗过程。

技术实现思路

[0008]本专利技术的目的在于提供一种基于多图卷积神经网络的中药推荐方法，借助中医“辨证论治
”ꢀ
和“状态辨识”理论基础，将证型和状态要素作为症状的构图依据，通过两次图卷积操作来模 拟中医的证型归纳和状态辩识过程，从数据样本中提取出包含症状、症状关系、证型、状态要 素等丰富信息的特征，最后使用多层感知机进行分类预测，从而模拟出中医药方开具的过程。 本专利技术既借助了中医的临床诊疗经验，又考虑到了症状组合间相互的依赖关系，因而取得了较 好的效果。
[0009]为实现上述目的，本专利技术的技术方案是：一种基于多图卷积神经网络的中药推荐方法，包 括中医数据特征聚合阶段和中药预测阶段；
[0010]所述中医数据特征聚合阶段采用两个独立的GCN对症状、证型、状态要素数据进行特征聚 合、提取，从而为每个样本获得具有丰富信息的特征向量；
[0011]所述中药预测阶段采用多层感知机MLP对聚合后的特征进行分类，最终得到一组中药集合。
[0012]在本专利技术一实施例中，所述使用两个独立的GCN，对于输入的症状组X
ps
，分别对症状
‑
证 型
‑
症状图T
s
和症状
‑
状态要素
‑
状态图S
e
进行图卷积操作来实现特征聚合，从而挖掘出具有症状、 症状间关系、证型信息的嵌入表示Z
pt
和具有症状、症状间关系、状态要素信息的嵌入表示Z
pe
； 最后将两者进行融合，从而得到具有症状、症状间关系、证型、状态要素信息的嵌入表示Z
ps
。
[0013]在本专利技术一实施例中，症状
‑
证型
‑
症状图T
s
和症状
‑
状态要素
‑
状态图S
e
的构建方法如下：
[0014]对于数据集中的每一个处方p可以表示为：{sp＝{s1,s2,...,s
k
}，hp＝{h1,h2,...,h
m
}， tsp＝{ts1,ts2,...,ts
j
}，sep＝{se1,se2,...,se
z
}}，其中，sp为处方的症状集合，hp为处方的草药集合， tsp为处方的证型集合，sep为处方的状态要素集合；将S
e
和T
s
表示为无向图，则可以分别用一 个k
×
k的症状关系矩阵来表示它们；S
e
图关系矩阵中的元素可以由以下关系来进行定义：
[0015][0016]其中，SE
s1,s2
表示为症状s1与症状s2之间的关系，s
e
(3)表示3个及以上不同状态要素的集合； 此构图方式将状态要素信息隐藏于症状图的拓扑结构之中；同理，可用如下关系来定义T
S
图的 关系矩阵：
[0017][0018]其中，ts
j
代表任意一种证型；此构图方式将中医证型信息隐藏于症状图的拓扑结构之中。
[0019]在本专利技术一实施例中，对症状
‑
状态要素
‑
状态图S
e
和症状
‑
证型
‑
症状图T
s
进行特
征聚合的 方式如下：
[0020]症状对其一阶邻居节点的聚合过程可以被定义为：
[0021][0022]其中，W
pe
为权重矩阵，b
pe
为偏置矩阵，RuLU()为非线性激活函数；
[0023]类似地，症状
‑
证型
‑
症状图T
s
的节点聚合过程可以被定义为：
[0024][0025]其中，W
pt
为权重矩阵，b
pt
为偏置矩阵；
[0026]此外，为了捕获高阶症状邻居的信息，还可进一步将特征聚合扩展到多个层，以获取更大 的感受野；对于更高的层次第i+1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多图卷积神经网络的中药推荐方法，其特征在于，包括中医数据特征聚合阶段和中药预测阶段；所述中医数据特征聚合阶段采用两个独立的GCN对症状、证型、状态要素数据进行特征聚合、提取，从而为每个样本获得具有丰富信息的特征向量；所述中药预测阶段采用多层感知机MLP对聚合后的特征进行分类，最终得到一组中药集合。2.根据权利要求1所述的一种基于多图卷积神经网络的中药推荐方法，其特征在于，所述使用两个独立的GCN，对于输入的症状组X
ps
，分别对症状
‑
证型
‑
症状图T
s
和症状
‑
状态要素
‑
状态图S
e
进行图卷积操作来实现特征聚合，从而挖掘出具有症状、症状间关系、证型信息的嵌入表示Z
pt
和具有症状、症状间关系、状态要素信息的嵌入表示Z
pe
；最后将两者进行融合，从而得到具有症状、症状间关系、证型、状态要素信息的嵌入表示Z
ps
。3.根据权利要求2所述的一种基于多图卷积神经网络的中药推荐方法，其特征在于，症状
‑
证型
‑
症状图T
s
和症状
‑
状态要素
‑
状态图S
e
的构建方法如下：对于数据集中的每一个处方p可以表示为：{sp＝{s1,s2,...,s
k
}，hp＝{h1,h2,...,h
m
}，tsp＝{ts1,ts2,...,ts
j
}，sep＝{se1,se2,...,se
z
}}，其中，sp为处方的症状集合，hp为处方的草药集合，tsp为处方的证型集合，sep为处方的状态要素集合；将S
e
和T
s
表示为无向图，则可以分别用一个k
×
k的症状关系矩阵来表示它们；S
e
图关系矩阵中的元素可以由以下关系来进行定义：其中，SE
s1,s2
表示为症状s1与症状s2之间的关系...

【专利技术属性】
技术研发人员：李佐勇，卢维楷，樊好义，陈健，
申请(专利权)人：闽江学院，
类型：发明
国别省市：