基于狀態辨識的人工智能組方模型設計?

徐佳君， 趙 文， 雷黃偉， 周常恩， 羅志明， 李紹滋， 李燦東△

(1.福建中醫藥大學中醫學院中醫證研究基地， 福州 350122；2.廈門大學附屬婦女兒童醫院，福建 廈門 361003；3.廈門大學信息學院人工智能系，福建 廈門 361005)

中醫狀態辨識是把握健康的鑰匙[1]，在精準地辨識中醫狀態后，須對偏頗的狀態進行調理干預，以期使人達到“陰平陽秘”。在狀態辨識指導下的方藥推薦，正是調理干預的方法之一，其與狀態辨識間的關系，譬猶手足之于大腦。

目前的智能方藥推薦多以直接選擇推薦成方為主，罕見智能組方的文獻報道。然而臨床實際情況復雜多變，難見“教科書式”的病人，成方難以滿足全部需求。因此，名醫臨床處方用藥常以自擬方多見[2，3]，即使是有嚴格納入標準的臨床科研報道，其文獻統計結果也同樣如此[4]。而在生命的全周期里，欲病、已病、病后防復等各個階段均可見偏頗的中醫狀態，其情況較之普通臨床更為復雜。故而，有必要設計一個在狀態辨識基礎上的人工智能(AI)組方模型，以應對成方推薦難以滿足需求的實際情況。為解決這一問題，本文將結合中醫理論基礎、中醫狀態辨識原理及中醫臨床處方思維模式，設計AI組方模型并加以闡述。

1 狀態辨識結果的分組結構化

中醫狀態學是在證素辨證學基礎上構建的，狀態辨識的結果為狀態要素(疾病狀態下為證素)，包括部位、性質、程度三個方面。其中，性質是狀態辨識的核心和關鍵，性質狀態要素的辨識結果，直接關系到調理干預方法的確定，對任何狀態的辨識都不可缺少[5]。因此，狀態辨識結果(狀態要素集合)的分組當以性質狀態要素為核心，并結合部位狀態要素進行結構化。其過程主要通過對狀態要素間關系的判斷以及狀態要素程度輕重的辨識結果來進行。狀態要素間關系主要有導致、兼夾、侵襲/發生于3種。以肝腎陰虛陽亢動風狀態為例，進行狀態要素集合的分組結構化的說明。

1.1 狀態要素集合的分組

該狀態的要素集合主要是：肝(部位)、腎(部位)、陰虛(性質)、陽亢(性質)、動風(性質)。由于陰虛容易發生于肝腎，陽亢和動風僅容易發生于肝，因此該狀態要素集合分組為陰虛組如肝陰虛、腎陰虛，陽亢組如肝陽上亢，動風組如肝風內動。在疾病狀態下，分組后的狀態名稱即是所謂的“單證”[6]。

1.2 識標本，辨并行(結構化)

圍繞性質狀態要素為核心，對狀態要素間的關系進行判斷，陰虛可能導致陽亢、動風，陽亢亦可能導致動風，而陽亢和動風則通常不導致陰虛，故而該狀態要素集合存在主次結構，以陰虛組為本組，陽亢組、動風組為標組。而當性質狀態要素間無關系或關系互為因果時，則為并行結構。

1.3 辨輕重，識緩急

根據狀態要素辨識結果積分的不同，其程度有輕、中、重3種，肝腎陰虛陽亢動風狀態在結構上雖有標本之分，但如標之程度為重或重于本，當急則治其標，不然當緩則圖其本。

因此，該狀態的治療當滋養肝腎陰兼平肝潛陽息風，代表方劑為鎮肝息風湯，其中以懷牛膝、白芍、玄參、天冬、龜板為一組以滋養補益肝腎陰液；以代赭石、茵陳、川楝子、生麥芽為一組以抑肝陽、泄肝熱、疏肝氣；以龍骨、牡蠣、龜板、白芍為一組以息風，全方3組治療層次分明，齊頭并進。在AI組方中，可根據各組狀態要素的輕重程度，對藥物用量進行調整。

2 AI組方的基礎模型-藥對與角藥

藥對與角藥介于單味中藥和復方之間，方劑的發展源流為單味中藥-藥對、角藥-方劑(復方)。藥對與角藥是方劑的基本單位，也是臨床常用且固定的中藥配伍形式。方劑學中單純運用藥對或角藥組成的方子比比皆是，前者如二至丸、金鈴子方、失笑散等，后者如三子養親湯、焦三仙、玉屏風散等。狹義上的藥對指的是2味中藥根據性味歸經、七情和合等原則進行組合，該組合具有或相互促進或相反相成等作用,而角藥則是3味；廣義上的藥對及角藥則不局限于藥味數，可稱之為“藥群”[7-9]。

然則，無論是何種意義層面上的藥對及角藥，其治療的對象均是單證或簡單的復證，可謂藥簡力專。因此，在狀態要素分組后，分別選擇不同的藥群對不同組別進行干預，具有可行性和必然性。如陰虛組部位是肝腎可選二至丸，食積組可選焦三仙等。

依據分組選定藥群后，仍需考慮到狀態要素的結構和程度，依結構的標本或并行以及程度的輕重，擬定同類別藥群的群數及藥物的劑量。

3 AI組方模型的擴展-人、病、癥

狀態要素的有機組合為狀態名稱(疾病狀態下為證型)；而對狀態要素集合分組結構化的過程，實際上是對狀態要素發生、發展、變化的闡釋(疾病狀態下為病機)。因此，AI組方的基礎模型即為辨證組方及辨機組方，為辨證論治，符合傳統中醫思維。而將該模型擴展，加入辨人組方、辨病組方和辨癥組方后，可實現“五辨”[10]組方，符合中醫學全面、整體、動態、個性化的要求。

3.1 辨人組方

人有性別、年齡、體質、體型、生活習慣等差異，辨人組方要求AI在組方時進行綜合參考。如體質為“陽虛”之人，若其狀態要素為“熱”，在選用清熱藥對的同時，可加入藥對“大棗-干姜”以顧護中州陽氣；再如體質為“陰虛”之人，其狀態要素為“表”時，當選用角藥“薄荷-白薇-玉竹”以滋陰發汗。

3.2 辨病組方

在AI組方時，針對辨識疾病的結果，加入擅長治療該病的藥物，或者在基礎模型中選擇含有該藥物的藥群，即為“辨病組方”。如“魚腥草”為治療“肺癰”的要藥，在治療肺癰肺熱證時，既可在藥對“桑白皮-地骨皮”中加入魚腥草，亦可直接選擇藥對“魚腥草-桔梗”。

3.3 辨癥組方

中醫藥在長期臨床中，通過經驗積累總結出治療某些癥狀有特定療效的藥物，如“生姜”為嘔家圣藥，“葛根”為治療項背強痛之要藥，烏賊骨制酸止痛等。而中醫狀態學中的表征參數除癥狀及體征外，亦包含了如氣候、節氣、地域以及部分客觀指標等與疾病發生發展相關的各類因素[5]，亦需考慮在內。如發病季節為秋季，應考慮加入潤燥藥群。在AI組方中，依據表征參數的特點選用相應藥物，即為“辨癥組方”。

4 AI組方模型的規則約束

方書之祖《傷寒雜病論》可謂角藥之濫觴[11]，而藥對在中醫學理論形成之前的春秋戰國時期已有應用，具體時間已不可考[12]。中醫藥歷史悠久，各代醫家對藥對及角藥皆有不同的闡釋及發揮。雖然藥對及角藥均是依據中醫理論組方而絕非簡單的藥物堆砌，但從數學角度理解仍是單味中藥的排列組合。故而隨著該模型的建立，所對應知識庫的充實，藥群的知識總量當極為龐大。因此，有必要對該模型設立規則以提升AI組方的精準度，并避免可能出現無窮盡的藥群組方組合。

4.1 模型與擴展的互參規則

應盡量選擇同時滿足基礎模型及其擴展的藥群組合。辨證論治是中醫的根本，五辨論治則是通過中醫的整體觀念對辨證論治的補充，本文中所述的模型及其擴展也同樣如此。雖然模型擴展的知識庫較為零散，不具有完整的結構性(如并非所有表征參數均有特定藥物治療)，但仍應盡量同時滿足。如前文的肺癰肺熱證，雖兩者組方均可，但應在排序中優先考慮藥對“魚腥草-桔梗”。且在模型擴展中，有些條件是不容違背的，如孕婦禁用含有“天花粉”的藥群，故模型擴展是對基礎模型的修正及補充。

4.2 所選藥群盡量滿足多分組規則

應盡量選擇能同時滿足多個性質分組的藥群。如風熱犯肺狀態，其狀態本質為外風夾熱邪犯肺，其狀態要素分組為外風組如風邪犯肺，熱邪組如熱邪犯肺。此時的藥群選擇應選藥對“桑葉-菊花”或角藥“金銀花-連翹-竹葉”以疏散肺經風熱，而不應分別選擇疏散風邪的“荊芥-防風”，另加清熱解毒的“石膏-梔子”進行藥物堆砌。

4.3 特殊用藥規則

特殊用藥規則實際上為知識庫的積累，如處方中有大量滋膩藥物，而無行氣藥則酌加陳皮以防礙脾。又如處方中有大量攻伐之品，則酌加大棗、白術等以顧護正氣；再如處方中不可含有十八反十九畏藥味組合等。

4.4 藥食同源及有毒藥物的選用規則

本條規則毋庸贅言。近年來中草藥的肝腎毒性屢見報端，因此應盡量減少選用含有有毒藥物的藥群，并盡量多地選擇含有藥食同源藥物的藥群以增加其安全性。

5 討論總結

本文提出了一個在狀態辨識基礎上的AI組方模型，該模型的核心思想是對狀態辨識結果(狀態要素集合)進行分組結構化-形成單證-根據單證選用藥群-合成處方(圖1示)，并對該模型進行擴展，運用規則對模型進行約束，用以解決推薦成方難以滿足需求的情況。

圖1 AI組方模型圖

然而，欲將該模型實際應用仍有諸多尚待完善之處。如規則的權重設立，對模型設立規則約束有利于在龐大的知識庫中更為精準的選藥。但規則中有時會出現自相矛盾的情況，如痰濕體質的人，在秋季初起咳嗽有痰色白量不多，體質及表征參數(秋季)均屬模型擴展，在規則1約束下的AI智能組方應遵循體質亦或遵循表征參數？再如不同的狀態程度，其藥群數及藥物劑量又該如何區別選擇？程度及結構結合后產生的如本輕標重或本重標輕的狀態，其藥群數及藥物劑量又該如何區別選擇？以上問題，均應進一步研究并在實際病案數據的支持下結合數據挖掘來確定。

AI在中醫藥領域的應用是近年來研究的熱點之一，通過規則驅動下的AI本質上屬于舊一代AI，而基于大數據挖掘下的機器學習屬于新一代AI，既是目前研究的主流，也是計算機獲得智能的途徑。目前大量學者利用數據挖掘對組方用藥規律進行研究，但大多是基于名家、病案的病-證-癥-藥間相關性分析[13]，知識庫日趨龐雜但缺乏組方模型進行統一運用，未能體現中醫藥整體觀的特點。中醫學中存在一些不宜違背的基本原理，需用規則驅動，故應將新舊AI融合，在規則約束下建立模型，在數據挖掘下發現新知識、充實模型知識庫，才能更加符合傳統中醫思維，為中醫藥現代化服務。