基于ML-kNN多標記學(xué)習(xí)的中醫(yī)體質(zhì)辨識模型研究＊

嚴 玲，周作建＊＊，宋懿花，胡 云，商洪濤，戰(zhàn)麗彬，董 青

（1. 南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院 南京 210046；2. 江蘇省中醫(yī)院 南京 210029；3. 南京中醫(yī)藥大學(xué)中醫(yī)學(xué)院·中西醫(yī)結(jié)合學(xué)院 南京 210046；4. 連云港市衛(wèi)生健康委員會 連云港 222007）

1 引言

中醫(yī)認為，疾病的發(fā)生及發(fā)展與體質(zhì)差異有一定聯(lián)系。體質(zhì)是個體在生命周期中形成的形態(tài)結(jié)構(gòu)、生理功能和心理狀態(tài)方面相對穩(wěn)定的固有特質(zhì)[1]。體質(zhì)因人而異，但可通過類來劃分體質(zhì)特征，“王琦中醫(yī)體質(zhì)九分法”[2]將中醫(yī)體質(zhì)分為平和質(zhì)、氣虛質(zhì)、陽虛質(zhì)、陰虛質(zhì)、痰濕質(zhì)、濕熱質(zhì)、血瘀質(zhì)、氣郁質(zhì)、特稟質(zhì)，是目前權(quán)威且主流的體質(zhì)劃分方法。“治未病”[3]是中醫(yī)學(xué)的主要研究內(nèi)容之一，強調(diào)未病先防、欲病早治、既病防變，雖然體質(zhì)在每個個體中都有一定的差異性，但是把握個體體質(zhì)的差異性以及群體體質(zhì)的規(guī)律性有助于將疾病從“治病”到“防病”的轉(zhuǎn)變。中醫(yī)體質(zhì)辨識[4]就是以人的體質(zhì)為認知對象，通過某些方式判斷個體所屬體質(zhì)類型，從整體上把握健康與疾病的個體差異，進而制定適宜的治療、促進等干預(yù)措施，彌補西醫(yī)體檢在“未病先防”的不足。體質(zhì)辨識的主要工作[5]包括辨識個體體質(zhì)狀態(tài)、年齡老少、南北居住、奉養(yǎng)優(yōu)劣等，從而判斷所屬體質(zhì)類別。《“健康中國2030”規(guī)劃綱要》《中國防治慢性病中長期規(guī)劃（2017-2025年）》以及習(xí)總書記在十九大報告中均強調(diào)，為實施健康中國戰(zhàn)略需以預(yù)防為主，發(fā)揮中醫(yī)在“治未病”中的重要作用，而中醫(yī)體質(zhì)辨識是“治未病”的具體措施，有效的、高效的體質(zhì)辨識已經(jīng)成為目前中醫(yī)治未病的重要課題之一。

目前中醫(yī)體質(zhì)辨識研究領(lǐng)域主要采用體質(zhì)辨識量表及統(tǒng)計分析方法，體質(zhì)辨識量表幾乎采用被列為中華中醫(yī)藥學(xué)會標準的《中醫(yī)體質(zhì)分類與判定》標準[6]；統(tǒng)計分析方法基本采用SPSS軟件作為分析工具。楊玲玲等[7]將中華中醫(yī)藥學(xué)會的《中醫(yī)體質(zhì)分類與判定》作為辨識量表，以問卷形式進行數(shù)據(jù)收集，采用一般性統(tǒng)計描述進行分析，但是只能判定單一體質(zhì)類型；陳燕麗等[8]將《中醫(yī)體質(zhì)分類與判定》作為調(diào)查問卷，通過人工計算每一項得分及轉(zhuǎn)化分從而判定所屬的體質(zhì)類型，但是每次計算需要花費40 min/人次，耗費較大的人力成本及時間成本；左文英等[9]同樣將《中醫(yī)體質(zhì)分類與判定》作為量表計算條目的得分及轉(zhuǎn)化分，并采用SPSS軟件進行計量資料和計數(shù)資料的統(tǒng)計分析，得出社區(qū)高血壓患者的體質(zhì)分布規(guī)律。單個生命體會存在幾種不同的體質(zhì)類型，即存在主要體質(zhì)類型和次要體質(zhì)類型，回顧已有的體質(zhì)辨識研究可以發(fā)現(xiàn)，大多數(shù)研究只是將《中醫(yī)體質(zhì)分類與判定》標準運用于特定的環(huán)境或人群，以此來分析體質(zhì)的分布規(guī)律，從而進行干預(yù)措施的建議。但是體質(zhì)辨識量表本身會花費大量的人力成本，隨著人工智能領(lǐng)域的興起及發(fā)展，中醫(yī)體質(zhì)辨識的智能化研究需要進一步被提出，考慮到個體與體質(zhì)之間存在一對多的關(guān)系，由此機器學(xué)習(xí)中的多標記學(xué)習(xí)算法可以應(yīng)用在中醫(yī)體質(zhì)類型智能化辨識的研究中。本文提出了基于多標記k近鄰算法（multi-label k nearest neighbor，ML-kNN）的中醫(yī)體質(zhì)辨識模型，為中醫(yī)體質(zhì)辨識的智能化、自動化研究提供新思路和新方法。

2 相關(guān)知識

多標記學(xué)習(xí)[10，11]研究 1 個單獨實例與 1 組標簽相關(guān)聯(lián)的問題。假設(shè)xi為輸入，Yi為輸出，用（xi，Y）i表示1 個樣本集中的1 個輸入輸出對，其中Yi是1 個二進制向量，y（ijyi1、yi2……yiq）表示第i個樣本的第j個標記，yij=0表示該標記為負，yij=1表示該類別為正，這就是多標記學(xué)習(xí)基本思想。在多標記學(xué)習(xí)中，訓(xùn)練集中的樣本都對應(yīng)多個標記，目標任務(wù)是預(yù)測測試樣本的標記集合。

2.1 ML-kNN算法

ML-kNN[12-14]改造“惰性學(xué)習(xí)”k近鄰算法以適應(yīng)多標記數(shù)據(jù)，使用kNN 的思想查找訓(xùn)練集中的k個近鄰樣本，并使用最大后驗概率確定測試樣本的標記集合。給定多標記訓(xùn)練集D={(xi,Yi)|1 ≤i≤m}，測試示例x，假設(shè)Q(x)代表x在訓(xùn)練集中的k個近鄰樣本的集合，那么對于j個類別yj（1 ≤j≤q），Q(x)中標簽j為1的樣本數(shù)可表示為每個標記先驗概率可表示為其中s為平滑項，m為訓(xùn)練集樣本數(shù)，q為標簽數(shù)。未知樣本的每個標記條件概率可表示為(1 ≤j≤q,0 ≤Cj≤k)，其中kj[r]表示自身及k近鄰中r個近鄰均具有標記yj的訓(xùn)練樣本個數(shù)。將先驗概率及條件概率代入多標記分類器h(x) ={yj|P(Hj|Cj)/P(?Hj|Cj)＞0.5,1 ≤j≤q}獲得測試樣本的標記集合。

2.2 ML-kNN評價指標

多標記評價指標[15]首先評價多標記分類器在單個測試樣本上的分類效果，最終返回其在整個測試樣本集上的“均值”。假定多標記分類器表示為h(.)，多標記測試集表示為S={(xi,Yi)|1 ≤i≤p}，其中Yi為xi的標記集合，p為測試集樣本數(shù)，用如下多標記評價指標評估模型效果。

2.2.1 漢明損失

漢明損失[16]（hamming loss，HLoss）計算分類器預(yù)測出的結(jié)果序列與實際結(jié)果序列之間數(shù)值上的距離，用來評估樣本在單個標記上的分類錯誤的情況。HLoss 取值越小，分類器預(yù)測結(jié)果越好，最優(yōu)值為HLoss(h)= 0。表達式為其中q為所有標簽總數(shù)。

2.2.2 1-錯誤率

1-錯誤率[17]（OneError）用來評估樣本類別標記序列最前端的標記不屬于相關(guān)標記集合的情況。OneError取值越小，系統(tǒng)性能越優(yōu)，最優(yōu)值為OneError(h)= 0。表達式為其中，f(.,.)為h(.)對應(yīng)的實值函數(shù)。

2.2.3 覆蓋率

覆蓋率[18]（Coverage）用于評估樣本類別標記序列中，覆蓋所有相關(guān)標記所要的搜索深度情況。Coverage 取值越小，系統(tǒng)性能越優(yōu)，最優(yōu)值為表達式為：Coverage(h) =其中，rank為與實值函數(shù)f(.,.)f(.,.)對應(yīng)的排序函數(shù)。

2.2.4 排序損失

排序損失[19]（ranking loss，RLoss）用于評估樣本類別標記序列中無關(guān)標記與相關(guān)標記排序錯誤的情況。RLoss取值越小，系統(tǒng)性能越優(yōu)，最優(yōu)值為RLoss(h)=0。表達式為：其中，為集合Yi的補集。

表1 實驗數(shù)據(jù)結(jié)構(gòu)

表2 不同近鄰數(shù)下評價指標值

2.2.5 平均精度

平均精度[20]（average precision，Avgprec）用于考察樣本類別標記序列中，排序靠前的標記均為相關(guān)標記的情況。Avgprec 取值越大，系統(tǒng)性能越優(yōu)，最優(yōu)值為Avgprec(h) = 1。 表 達 式 為 ：

3 中醫(yī)體質(zhì)辨識模型構(gòu)建

3.1 數(shù)據(jù)描述

數(shù)據(jù)來源于江蘇省中醫(yī)院體檢中心，共60個屬性9個標簽，過濾掉不完整、無意義的數(shù)據(jù)最終納入9844條數(shù)據(jù)作為研究對象，其中60個屬性是將原始數(shù)據(jù)的體質(zhì)自測問題規(guī)范化為中醫(yī)癥狀，9個標簽是平和質(zhì)、氣虛質(zhì)、陽虛質(zhì)、陰虛質(zhì)、痰濕質(zhì)、濕熱質(zhì)、血瘀質(zhì)、氣郁質(zhì)及特稟質(zhì)9種體質(zhì)類型，原始數(shù)據(jù)標簽根據(jù)《中醫(yī)體質(zhì)分類與判定》計算相應(yīng)條目分及轉(zhuǎn)化分得到。屬性值按照“沒有（根本不）”“很少（有一點）”“有時（有些）”“經(jīng)常（相當(dāng)）”“總是（非常）”分別賦值為0、1、2、3、4，標簽值按照體質(zhì)類型有無分別賦值為1和0，實驗數(shù)據(jù)結(jié)構(gòu)見表1。

3.2 模型構(gòu)建過程描述

中醫(yī)體質(zhì)辨識模型ML-kNN 構(gòu)建過程：①使用k近鄰算法查找訓(xùn)練集中與測試樣本最接近的樣本，通過計算先驗概率及后驗概率預(yù)測測試樣本的體質(zhì)標簽矩陣，詳細步驟如下：

初始化：指定體質(zhì)數(shù)據(jù)樣本為x，體質(zhì)標簽集合Y? Ω，體質(zhì)標簽l ∈ Ω，樣本體質(zhì)標簽向量y→x，樣本x在訓(xùn)練集中的k近鄰N(x)，測試樣本t（2952 條體質(zhì)數(shù)據(jù)），初始化平滑參數(shù)s為1。

Step1：根據(jù)公式（1）、（2）分別求得體質(zhì)標簽值為1、0的先驗概率。

Step2：計算N(x)，并根據(jù)公式（3）、（4）分別求得體質(zhì)標簽值為1和0的后驗概率。其中c[j]指訓(xùn)練樣本中含有l(wèi)且其k近鄰中有j個l的樣本數(shù)。

Step3：計算測試樣本t的k近鄰N(t)，并根據(jù)公式（5）、（6）求得t的體質(zhì)標簽集合

②采用10折交叉驗證，每次訓(xùn)練將數(shù)據(jù)集隨機分為10 份，按9∶1 的比例分配訓(xùn)練集與測試集，以此考察體質(zhì)辨識模型的擬合性能。

③從1-20 調(diào)整k值以尋找模型最佳參數(shù)，并運用5項評價指標的均值評估模型預(yù)測效果。

3.3 模型構(gòu)建結(jié)果與應(yīng)用

采用10 折交叉驗證訓(xùn)練模型，并在1-20 之間調(diào)整k值，評價指標對應(yīng)的值見表2，從表中可以看出，模型的平均精度不會隨著近鄰數(shù)的增加而增加，當(dāng)k=8時，模型的 HLoss、OneError、Coverage 及 RLoss 的取值相對較小且Avgprec 最高，模型效果最佳，體質(zhì)分類效果最好，此時平均漢明損失（HL-mean）為0.096 1，平均1-錯誤率（OE-mean）為0.126 1，平均覆蓋率（COV-mean）為1.153 5，平均排序損失（RL-mean）為0.086 6，平均精度（AVP-mean）為88.57%。江蘇省中醫(yī)院體檢中心體質(zhì)辨識根據(jù)《中醫(yī)體質(zhì)分類與判定》所列出的問題條目計算得出，而本文基于體檢中心數(shù)據(jù)建立的體質(zhì)辨識模型在評價指標中表現(xiàn)良好，有科學(xué)意義，表明ML-kNN 算法用于體質(zhì)辨識是有效的。綜上說明，ML-kNN 模型解決中醫(yī)體質(zhì)智能化辨識問題及其存在的體質(zhì)多標記問題有現(xiàn)實意義。

圖1 體質(zhì)辨識可視化結(jié)果

基于ML-kNN 算法建立的中醫(yī)體質(zhì)辨識模型能夠以可視化的界面展示體質(zhì)辨識結(jié)果，如圖1所示，體質(zhì)辨識的結(jié)果可以通過可視化界面直觀地反映給用戶，能夠提高體檢中體質(zhì)辨識的效率，促進中醫(yī)體質(zhì)辨識客觀化研究。

4 總結(jié)

中醫(yī)認為疾病治療應(yīng)該將人作為整體，而體質(zhì)狀態(tài)可以從整體上把握健康與疾病，體質(zhì)偏頗是疾病變化的依據(jù)，疾病發(fā)生及發(fā)展與體質(zhì)有一定的聯(lián)系，由此體質(zhì)辨識可為疾病預(yù)防及促進提供依據(jù)。目前研究中普遍采用的體質(zhì)辨識量表無法避免測試者的主觀意識，且隨著體檢人數(shù)的增加耗費大量的人力、物力，由此需建立科學(xué)的體質(zhì)辨識方法；部分研究采用數(shù)據(jù)挖掘算法辨識體質(zhì)，但是忽略了單一個體存在幾個主次不一的體質(zhì)類型而采用單標記學(xué)習(xí)算法，并不能較為科學(xué)準確地判斷出體質(zhì)類型，由此需要引入人工智能中的機器學(xué)習(xí)算法，建立多標記學(xué)習(xí)模型進行體質(zhì)類型自動、客觀辨識。本文運用ML-kNN 算法構(gòu)建中醫(yī)體質(zhì)辨識模型，采用10 折交叉驗證訓(xùn)練模型，并用多標記學(xué)習(xí)評價指標評估模型效果，最終模型的 HLoss、OneError、Coverage、RLoss 及Avgprec 的值證實了ML-kNN 算法運用在體質(zhì)辨識中的可行性及有效性，且當(dāng)近鄰數(shù)的值為8 時模型的效果最佳，對中醫(yī)體質(zhì)的分類效果最好，表明采用ML-kNN 算法建立體質(zhì)辨識模型一定程度上可以代替?zhèn)鹘y(tǒng)的體質(zhì)辨識方法且能彌補單標記學(xué)習(xí)不能識別多個體質(zhì)類型的局限性，節(jié)約人力、物力成本且符合中醫(yī)辨識體質(zhì)的思想，為中醫(yī)體質(zhì)辨識智能化及自動化發(fā)展提供新方法，為實施健康中國戰(zhàn)略提供新思路。