BP 神經網絡在中醫藥研究領域中的應用

付姝菲，劉宏艷，任海燕，李 戈，陳莉莉

（1.天津中醫藥大學中醫學院，天津 301617；2.天津中醫藥大學健康科學與工程學院，天津 301617；3.天津中醫藥大學附屬保康醫院，天津 300190）

反向傳播（back propagation，BP）神經網絡于1986 年由Rumelhart 與McCelland 為代表的科學家團隊提出，是指基于誤差逆傳播算法的多層前饋網絡。BP 神經網絡模型的拓撲結構通常由一個輸入層、一個輸出層和一個或多個隱層構成，信號經輸入層輸入，通過隱含層計算由輸出層輸出，如輸出值與標記值有誤差，將誤差反向傳播至輸入層，對神經元權值進行調整[1]。BP 神經網絡具有良好的自組織適應性、學習能力與對復雜非線性系統的分析與識別功能，在疾病診斷[2]、病情預測[3]、發病相關因素分析[4]、疾病預后[5]等醫學領域的應用愈發廣泛。本文旨在通過文獻分析總結BP 神經網絡在中醫藥研究領域中的應用現狀，以期為解決相關問題提供參考。

1 資料與方法

1.1 檢索策略 檢索中國知網（CNKI）、萬方數據知識服務平臺（WANFANG DATA）、維普資訊中文期刊服務平臺（VIP）、中國生物醫學文獻服務系統（Sinomed）和PubMed 等中英文數據庫。以中文主題詞“BP 神經網絡/反向傳播神經網絡”“中醫/中藥”等，英文主題詞“Back Propagation Neural Network/BP neural networks”“traditional Chinese medicine/TCM”等構建檢索策略。檢索時間為各數據庫建庫至2020 年12 月31 日。

1.2 納入與排除標準 納入以BP 神經網絡在中醫藥研究領域中的應用為主題的碩博士學位論文、期刊論文、會議論文。排除綜述、Meta 分析、系統評價類文獻、重復發表或雷同文獻。

1.3 數據資料提取與分析 應用Microsoft Excel 建立文獻數據資料提取數據庫，采集文獻的發表信息（發表年份、來源、語種、題目、類型、第一作者等），研究領域（中醫、中藥），研究具體內容等相關信息。由兩名信息員進行數據錄入并交叉核對，以保證數據的完整性和準確性。采用頻數，構成比等統計方法進行分析。

2 結果與分析

2.1 文獻篩選結果 根據檢索策略，各數據庫共檢出文獻670 篇，去除重復檢出245 篇，按照納入與排除標準最終納入文獻363 篇，其中英文文獻33 篇，文獻篩選流程見圖1。

圖1 文獻篩選流程圖

2.2 文獻基本信息 此類研究最早發表于1993 年，討論應用神經網絡評價中藥威靈仙的質量[6]，2003年起發文量逐步增長，2011 年達到最高峰，年發文量27 篇，各年度發文情況見圖2 所示（2020 年尚有文章持續被收入數據庫）。納入的文獻以期刊論文為主，占58.40%（212/363），學位論文139 篇，占比38.29%（139/363），其中30 篇為博士論文；另外還有會議論文12 篇。賀娟、程翼宇作為核心研究者的發文量最多，各8 篇。收錄此類研究的主要刊物見表1。

圖2 BP 神經網絡在中醫藥研究領域中的應用年發文情況

表1 BP 神經網絡在中醫藥研究領域中的應用發文期刊（發文量≥5 篇）

2.3 文獻分析結果 納入的363 篇文獻中有183 篇（50.41%）隸屬中醫相關研究領域，應用BP 神經網絡輔助辨證，診療等方面；另外180 篇文獻（49.59%）隸屬中藥研究領域，基于BP 神經網絡優化提取工藝，分類分級鑒別等。

2.3.1 基于BP 神經網絡的四診信息分析與證候辨識BP 神經網絡在中醫四診信息分析中應用廣泛，望診以舌診為主，涉及19 篇文獻，通過數字化舌象多重特征參數反復訓練，對舌色、舌形、舌苔等進行自動分類識別[7]，見表2；另外，基于BP 神經網絡反復校正的計算機圖像檢測，尚可對眼神[8]、面色[9]等特征信息進行處理。中醫聞診從聽聲音、嗅氣味角度診察疾病，利用支持向量機、BP 神經網絡，結合小波包能量值和Shannon 熵值為中醫聲診開展客觀化研究提供思路[10]；而結合高精度曲線擬合模型的電子鼻系統能夠穩定地反應氣味數據的類別信息[11]。BP 神經網絡在脈象識別中的應用是四診信息分析中應用最為廣泛的，涉及40 篇文獻，近年來隨著算法不斷改進，針對特征復雜，種類繁多的脈象信息識別精度不斷提高[12]，BP 神經網絡在四診信息分析中的應用為中醫理論指導下的人體健康狀態輔助診斷提供了客觀依據。

表2 基于BP 神經網絡的四診信息分析

此外，四診信息客觀化為準確的中醫辨證打下了堅實基礎，基于BP 神經網絡的體質辨識、證候分類涉及文獻52 篇，病種13 個，其中對于冠心病、高血壓、腫瘤（大腸癌、胃癌）的研究最多，不僅為中醫證候判斷提供有效支撐，同時又與實驗室理化指標充分結合，使辨證準確度更高。

2.3.2 基于BP 神經網絡的智能選方與方劑效能預測BP 神經網絡在中醫辨證領域中的廣泛應用，為“方-證要素對應”原則指導下的智能選方奠定了基礎[13]，為復雜病機的臨證輔助選藥組方開辟了思路。同時，BP 神經網絡也為挖掘中藥復方藥性特征與功效間的非線性不確定關聯提供了新的技術支撐，使中藥復方功效的快速預測成為可能[14]，目前以126 種補益類中藥復方為樣本分析對象，對補氣、補血、補陰、補陽功效預測準確率可達92.5%。同時應用BP 神經網絡也促進了復方配伍的進一步優化[15]，以半夏、生姜、甘草三瀉心湯為研究模板，提出了拆方優化實驗設計同時結合人工智能數據挖掘，實現復方類方的知識發現。

2.3.3 基于BP 神經網絡的中藥多角度研究 180 篇文獻涉及BP 神經網絡在中藥相關研究領域中的應用，主要包括提取工藝優化（52 篇），分類分級鑒定（41 篇），品種質量控制（38 篇），以及性味歸經藥性研究（15 篇），藥效評價（11 篇），成分分析預測（10篇）等。如應用BP 神經網絡結合正交試驗優化解毒止血顆粒的提取工藝[16]；基于多參考相關系數法和BP 神經網絡的近紅外光譜法快速識別爐甘石[17]；通過聚類分析、判別分析結合BP 神經網絡可對皂角刺及其偽品準確分類[18]；采用BP 神經網絡構建的補虛藥分類模型，預測結果正確率可達83.3%[19]，另外，對于中藥材適生地選址[20]，中藥廢水處理[21]，價格預測[22]等也有報道。180 篇BP 神經網絡在中藥相關研究領域中的應用，文獻關鍵詞涉及中藥主要為黃芪、甘草、丹參等，見表3。

表3 BP 神經網絡在中藥相關研究領域中的應用文獻關鍵詞涉及中藥（頻次≥3）

2.3.4 BP 神經網絡在中醫藥其他領域中的應用BP 神經網絡可用于中醫證候、證素與西醫指標的相關性分析[23]，針刺療效的量化描述[24]，經穴電信號特性分析[25]以及提高按摩機器人的穴位尋找行為精度等[26]。另外，運用神經網絡基于運氣理論分析發病與氣象因素的相關性也備受關注[27]。

3 總結

本研究通過對363 篇現代文獻分析表明BP 神經網絡在中醫藥研究領域中運用廣泛，涉及中醫四診信息分析與證候辨識，智能選方與方劑效能預測，中藥工藝優化、鑒定、質控等多個方面。由于BP 神經網絡對于研究資料的類型、分布具有一定的容錯性，可通過自我學習，自我調整逐步實現輸入變量和輸出變量之間的復雜映射關系，因此對于一些傳統統計學方法不能完全適應的數據資料，應用BP 神經網絡也可以進行客觀分析。這種對于資料類型限制性較小，善于處理模糊、非線性、含有噪聲的數據特點，加之其能夠利用資料全部信息的“學習性”和“自適應性”，使BP 神經網絡在中醫藥學研究領域數據挖掘中具有一定優勢。諸如BP 神經網絡之類的人工智能算法必將賦能中醫藥大時代，促進中醫藥信息化，智能化發展，以此助力中醫藥健康產業傳承與發展。