基于五行配伍原理及大數據智能診療系統平臺規劃與設計

王忠策 孫亨通 任海銘 劉洋

摘? 要：隨著人們對于健康越來越關注，成熟的中醫師資源相對稀少。基于互聯網、大數據資源和陰陽五行理論開發的網絡化智能診療系統，具有解決此類問題的先天優勢，是對傳統中醫診治模式的繼承和發展。傳統中醫理論及其經驗體系的形成過程具有大數據應用的典型特征。本文給出了結合五行配伍原理及大數據智能診療系統平臺規劃與設計的一般思路，希望對智慧中醫的發展有所補益。

關鍵詞：五行配伍? 知識圖譜? 中醫診斷推理? 遠程智能診療

中圖分類號：TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2020）10（c）-0101-04

Abstract： As people pay more and more attention to health， the resources of mature TCM （Traditional Chinese Medicine） doctors are relatively scarce. Based on the Internet， big data resources and the theory of Yin Yang and five elements， the networked intelligent diagnosis and treatment system has inherent advantages to solve such problems， and is the inheritance and development of traditional Chinese medicine diagnosis and treatment mode. The formation process of traditional Chinese medicine theory and experience system has the typical characteristics of big data application. This paper gives the general idea of the planning and design of big data intelligent diagnosis and treatment system platform combined with the principle of five elements compatibility， hoping to contribute to the development of intelligent traditional Chinese medicine.

Key Words： Five elements compatibility; Knowledge map; TCM diagnosis reasoning; Remote intelligent diagnosis and treatment

提及中國及其他國家的亞健康人群狀況，傳統中醫理論中“治未病”的特點成為在針對亞健康診治方面有獨特優勢;對于健康越來越重視的人們來說，成熟的中醫師資源稀少，經濟上對自身健康管理投入過大大，限制了大部分人們對自身健康的保護?；诨ヂ摼W、大數據資源和陰陽五行理論開發的網絡化智能診療系統，具有解決此類問題的先天優勢，是對傳統中醫診治模式的繼承和發展。

1? 傳統中醫五行配伍基本理論

眾所周知，方劑的功效作用差別，由方劑的配伍組成決定。方劑的配伍研究，關鍵是闡明方劑組織結構。然而在配伍過程中，各種中醫理論及臨床經驗均將結合自身特色滲透其中，所以影響方劑結構的因素是復雜的。五行學說作為中醫基礎理論的一個典型組成部分，在較大程度上支配了不少成方的藥物配伍。全國中醫院校使用的方劑教科書，常用方劑中包含五行配伍內容者，約有1/3[1]。

1.1 五行配伍的基本原則與配伍要點

1.1.1 配伍原則舉例

《難經六十九難》說：“虛則補其母，實則瀉其子?！币恢币詠肀环顬槲逍信湮榈脑瓌t，用以指導對相生病變的調治;《素問五運行大論》“氣有余，則制己所勝而悔所不勝;其不及，則己所不勝侮而乘之，己所勝輕而侮之”的論述，結合五行分屬五臟思想，揭示相克病變傳遞方向，指出調治相克病變基本路徑，即需抑制太過之強與扶助不及之弱。因此，把太過抑強、不及扶弱，虛則補母，實則瀉子，確立為五行配伍的基本原則。

1.1.2 配伍要點

（1）配伍要基于內臟五行病變一般特征，才能對癥施藥;

（2）配伍要基于藥物的五行屬性，才能選藥準確;

（3）配伍要基于藥物對臟腑的補瀉作用，才能確保虛實用藥得當。

1.2 五行配伍的主要方法舉例

補土生金配伍法：適應于土不生金的病癥。在成方結構中，其法有三：一為補脾氣以生肺氣，如參苓白術散（《和劑局方》），選大隊以補脾益氣，僅用一味引經入肺之桔梗，配合以成方，常用之治肺氣不足證。二為同補脾肺二氣，重點在脾。如補中益氣湯，人參、白術與黃耆相伍，黃耆固肺，參術健脾。三對脾肺二臟，補氣在脾，養陰在肺。如清燥救肺湯（《醫門法律》），人參、甘草與麥冬相配，柯琴說：“……麥冬稟西方之色，多液而甘寒，培肺金……。土為金母，子病則母虛，用甘草調補中宮生氣之源，二金有持?！崞浞握?，人參之甘以益氣”。

此方法以五行相生相克理論為基礎，是結合藥性進行組方的典范。在計算機環境下進行五行生克模擬，并根據反映癥狀的臟腑盛衰模擬及配合調理效果預演，結合選藥規律進行方劑生成。

2? 基于五行配伍理論的中醫專家推理機制計算機模擬

2.1 五行生克推理模型構建

以下是根據五行生克規律及施藥影響機制用Python語言實現的五行生克中醫推理模型，如圖1所示。

2.2 中醫診斷推理知識庫構建

2.2.1 中醫知識抽取

知識抽取主要針對面向開放的鏈接數據，采用典型數據挖掘技術（如構造頻繁項集等），在語義級上處理中醫領域自然語言文本或多媒體形式內容資料等，構造典型中醫元知識（可能需要配合人工確認），產生針對不同級別（描述范圍）的關聯項。抽取出置信度高的知識單元，形成一系列高質量事實表達，知識單元主要包括實體、關系以及屬性3個知識要素，為后續模式層構建奠定基礎。

（1）中醫實體抽取。

實體抽取是從中醫原始數據語料庫中自動識別出命名實體。實體作為知識圖譜中的基本元素，其抽取完整性、識別準確率及召回率等將直接影響到知識圖譜構建質量。

由于中醫典型知識主要以經典書籍和專家經驗為載體，描述結構或所用詞匯相對固定，所以主要以基于規則與詞典方法、基于統計機器學習方法為主，可通過CNN+ LSTM +CRF進行實體識別以提高實體識別的準確性。

（2）中醫語義類抽取。

語義類抽取是指從文本中自動抽取信息來構造語義類并建立實體和語義類的關聯， 作為對實體層面上的規整和抽象。根據構造頻繁項集內或之間各元素的關系，可以作為有一種語義類抽取行之有效的方法，根據頻繁項集內各元素和不同頻繁項集間通過頻繁項屬性建立的直接和間接關系，配合采用BiLSTM+CRF網絡結構。

（3）中醫屬性和屬性值抽取。

為每個本體語義類構造屬性列表是屬性提取的任務，為一個語義類的實體附加屬性值即為屬性值提取，可以采用CNN +LSTM+CRF模式（屬性在特定語境下也可能作為特定實體存在）。屬性和屬性值的抽取能夠形成完整實體概念的知識圖譜不同維度，豐富實體內涵。

（4）中醫關系抽取。

關系抽取的目標是實現實體語義鏈接問題解決。關系的基本信息包括屬性取值類型、滿足此關系的元組模式等，實體間關系識別較經典算法有Piece –Wise -CNN和LSTM+ Attention。

2.2.2 中醫知識表示

在知識表示的傳統方法中，用來符號性描述實體之間的關系主要以RDF（Resource Description Framework資源描述框架）的三元組SPO（subject， predicate，object）來實現。但是其在數據稀疏性、計算效率等方面存在諸多問題。

近年來，以深度學習為核心的學習技術進展迅速，基于深度卷積神經網絡的特征抽取功能，實現在較低維度計算中醫實體、關系、及語義關聯，實際上涉及到對神經網絡黑箱的解讀。中醫知識表示的相對成熟，對中醫知識庫的構建、推理應用均具有重要意義。

此外，鑒于脈沖神經網絡具有與大腦神經元最為接近的工作模式，知識表示的發展方向應該從功能仿腦到結構仿腦過渡，通過脈沖神經元工作的磁場效應機制研究，為知識表示方式尤其是后續知識推理、應用方式的變革提供了新的可能。

2.2.3 中醫知識融合

借助知識提取，實現從非結構化和半結構化數據中獲取實體、關系以及實體屬性信息的目標。但是由于知識來源形式多樣，知識質量良莠不齊、來自不同數據源的知識重復、層次結構缺失等問題，要應用大數據領域數據分析技術，融合與精煉知識。

（1）實體對齊。

實體對齊主要是用于消除異構數據中實體沖突及如指向不明等不一致性問題，具體可采用屬性相似度計算技術（可以使用編輯距離、集合相似度計算和基于向量的相似度計算。）和實體相似度計算技術（聚合（加權平均、手動制定規則、分類器等）;聚類（層次聚類、相關性聚類、Canopy + K-means）;表示學習等），可以從頂層創建具有全域一致性的統一知識庫，形成全局統一的語義背景，從而幫助機器理解多源異質的數據，以形成高質量的知識。

（2）知識加工。

通過中醫實體對齊，可以得到一系列的基本事實表達或初步的本體雛形，然而事實并不等價于知識，它只是知識的基本單位，知識包括知識點及知識點間的多維度聯系。要形成高質量的知識，還需要經過知識加工的過程，從層次上形成一個統一的大規模的中醫知識體系。

（3）知識更新

具體業務需求、人類認知能力、知識儲備都會隨時間不斷遞增。中醫知識庫的構建也是一個不斷迭代過程，因此，需要將中醫實踐經驗在本系統中不斷迭代更新，擴展現有知識，增加新知識。

2.2.4 中醫知識推理

中醫理論經過幾千年的沉淀，已經形成較為典型的辯證施治推理模型，基于五行配伍組方推理就是一典型應用，結合知識圖譜技術，可實現對這一相關中醫辨證診療思想在知識圖譜中的復現。

根據上述中醫知識圖譜一般實現步驟，進行中醫診斷推理知識模型構建，如圖2所示。

包括：

（1）五行配伍智能組方推理整體模型，其在推理知識庫中具有主動特征。

（2）中醫知識圖譜

構建中醫知識圖譜相當于成熟中醫師的經驗沉淀，是一個不斷完善的過程。以知識圖譜構建的技術體系為載體，將成熟中醫師的結構化和非結構化經驗整合成中醫知識及藥材知識庫，以服務于具體診斷過程中的知識推理過程，其在推理知識庫中具有被動特征。

3? 基于大數據技術的經驗積累優勢，不斷豐富中醫專家推理計算機模擬成熟度

中醫知識圖譜的建立與豐富過程，即是大數據技術在中醫藥領域的應用過程，應用大數據技術不斷積累和提煉中醫基本經驗知識，解析成中醫推理知識庫兼容形式，豐富中醫專家推理計算機模擬背景材料。[4]

4? 結合互聯網的互聯互通優勢，實現對求醫者的遠程診療或輔助診斷，發揮其社會價值

借助于互聯網優勢，將基于五行配伍原理及大數據智能診療系統對遠程診斷者進行診療，如圖3所示，給出理療方案、運動方案、飲食方案、產品建議等

5? 結語

本文基于中醫傳統理論為基礎，借助于大數據技術，構建中醫知識圖譜，不斷完善中醫推理模型，提出五行配伍原理及大數據智能診療系統平臺規劃與設計方案，考慮醫療系統準入標準，本系統可作為亞健康人群的“治未病”參考和成長型中醫師處方助理，是很有參考價值的。

參考文獻

[1] 裴建.以中醫藥信息化建設“智慧中醫”[N].聯合時報，2020-04-14（7）.

[2] 潘玉穎，崔偉鋒，范軍銘.中醫藥大數據應用核心問題探究[J].中醫學報， 2020， 35 （5） ：928-930.

[3] 饒子昀，張毅，劉俊濤，曹萬華.應用知識圖譜的推薦方法與系統[J/OL].自動化學報：1–17[2020-07-14].https：//doi.org/10.16383/j.aas.c200128.

[4] 王勇.明清時期“援易入醫”之探微[D].山東中醫藥大學，2018.

[5] 張藝然，李強，朱佳卿，王松.基于SWOT分析的中醫藥信息標準化發展戰略與思考[J].中國醫藥導報，2020，17（17）：149-152+157.

[6] 孫靜，劉繼芬，李曉東，肖勇，李金芳.基層醫療衛生機構中醫藥信息化建設實踐與思考[J].醫學信息學雜志，2020，41（1）：55-58+66.

[7] 孫靜，劉繼芬，李曉東，肖勇，李金芳.基層醫療衛生機構中醫藥信息化建設實踐與思考[J].醫學信息學雜志，2020，41（1）：55-58+66.