一种中药配伍辅助决策方法及系统

1.本发明属于中医处方知识挖掘技术领域，尤其涉及一种中药配伍辅助决策方法及系统。


背景技术：

2.目前，随着人工智能技术的兴起，机器学习和深度学习为基于中医的智能辅助诊疗及相关知识挖掘提供了核心技术。中药配伍辅助决策是指在输入一组症状时，模型能够根据输入的症状给出一组能够大概率治疗该组症状的一组中药。因此，利用人工智能技术构建中药配伍辅助决策模型，协助中医诊疗患者，发现新处方，促进人工智能在中医领域的应用和发展具有重大的现实意义。
3.由于此研究领域具有较高的理论研究与实际应用价值，国内许多研究者一直都在研究，随着自然语言处理领域的发展，中药配伍辅助决策模型的研究也在不断向前，以往的研究使用了多种方法来发现处方的规律性，ptm中药处方的主题建模方法提出了一种描述中医处方生成过程的主题模型，并将领域知识进一步整合到主题模型中，实验结果表明，该方法在泛化性能、药物推荐、症状提示和处方模式发现方面较优，给后面的研究提供了思路和方向。在前人的基础上，结合中药处方大多为非结构化文本数据，smgcn根据处方中症状和中药的共现频率构建了两两之间的二部图，再使用gcn拟合二部图获得症状和中药的特征表示，随后利用特征表示之间的余弦相似度进行中药的推荐。
4.现有的中药配伍辅助决策模型存在的缺点如下：
5.(1)基于主题模型的中药配伍辅助决策
6.处方的稀疏性在一定程度上限制了主题模型在大规模处方上的表现，不能综合分析各种实体之间复杂的相互关系。通过词共现的主题模型所提供的推断是单一的、不完整的，不能充分探讨症状与中药的关系，忽略了症状之间的相关性和中药之间的相关性，没有考虑症状的实存语义相似性或中药的语义相似性，没有充分利用现实世界中症状和中药的先验相关性。
7.(2)基于图神经网络的中药配伍辅助决策
8.基于图神经网络的中药配伍辅助决策模型，通过将处方数据转化为图结构数据，再利用图神经网络进行拟合以获取处方中中药和症状两两之间的共现信息，但现有的基于图神经网络模型大都忽略了中药性质的影响，而中药的性质对中药配伍起到关键的作用，不容忽视。
9.中医处方是中医在长期发展中积累起来的宝贵财富。利用人工智能技术构建中药配伍辅助决策模型，深入了解处方的规律，对中医临床应用和新处方的发现具有重要意义。由于以往构建的中药配伍辅助决策模型大多忽略了中药的性质信息，且大多采用基于词袋的统计模型进行辅助决策，这使得模型难以感知症状与中药之间的复杂相关性。因此，亟需设计一种新的中药配伍辅助决策方法及系统，以弥补现有技术存在的缺陷。
10.通过上述分析，现有技术存在的问题及缺陷为：
11.(1)现有基于主题模型的中药配伍辅助决策中，处方的稀疏性在一定程度上限制了主题模型在大规模处方上的表现，不能综合分析各种实体之间复杂的相互关系；通过词共现的主题模型所提供的推断是单一的、不完整的，不能充分探讨症状与中药的关系，忽略了症状之间的相关性和中药之间的相关性，没有考虑症状的实存语义相似性或中药的语义相似性，没有充分利用现实世界中症状和中药的先验相关性。
12.(2)基于图神经网络的中药配伍辅助决策模型，通过将处方数据转化为图结构数据，再利用图神经网络进行拟合以获取处方中中药和症状两两之间的共现信息，但现有的基于图神经网络模型大都忽略了中药性质的影响。
13.(3)由于以往构建的中药配伍辅助决策模型大多忽略了中药的性质信息，且大多采用基于词袋的统计模型进行辅助决策，这使得现有中药配伍辅助决策模型难以感知症状与中药之间的复杂相关性。
14.解决以上问题及缺陷的难度为：
15.中医处方数据的稀疏问题，来自于输入的特征。首先，症状和中药的类别数量都是相当的庞大。与一组症状相对应的一组中药只有那么几种，在对处方数据进行编码时，特征里面存在大量的0值，数据的稀疏程度甚至会达到95％以上，这使得传统的统计方法不适于处理此类数据，一直是中医处方数据挖掘需要突破的难题。
16.在先验知识中，根据中医理论，方剂(处方)的生成是根据组成原则、药物的配伍规律、方剂的组成变化、剂型及方剂的用法等，所以中医处方生成和症状与中药都有紧密的联系，不容忽视。现有中药配伍辅助决策模型难以感知症状与中药之间的复杂相关性，需要在中药配伍辅助决策模型上有进一步的突破，还需要考虑新的方法来充分探讨症状与中药的关系，症状之间的相关性和中药之间的相关性，充分利用现实世界中症状和中药的先验相关性，这些都是相当具有挑战性的。


技术实现要素：

17.针对现有技术存在的问题，本发明提供了一种中药配伍辅助决策方法及系统，尤其涉及一种基于知识图谱和图神经网络的中药配伍辅助决策方法及系统。
18.本发明是这样实现的，一种中药配伍辅助决策方法，通过图神经网络模型对中医处方数据进行症状感知与中药之间的复杂相关性进行融合，获取症状与中药的关系，确定症状之间的相关性和中药之间的相关性；通过构建中药知识图谱，引入中药的属性作为辅助信息，拟合中药和症状之间的相关性，获得信息丰富的症状特征表示和中药特征表示。
19.进一步，所述中药配伍辅助决策方法包括以下步骤：
20.步骤一，进行中药知识图谱的构建；
21.步骤二，进行中药知识图谱的嵌入；
22.步骤三，进行图神经网络的拟合。
23.进一步，所述步骤一中的中药知识图谱的构建包括：
24.通过构建中药知识图谱引入中药相关性质的信息。
25.从中药数据库etcm、tcmsp、tcm-mesh以及权威的中医书籍资料《中华本草》和《中国药典》中提取出中药相关属性的信息用于构建图谱。
26.进一步，所述图谱包括中草药的性味、归经、功能主治以及不良反应信息。
27.进一步，所述步骤二中的中药知识图谱的嵌入包括：
28.获取中药知识图谱后，使用transe模型得到中药知识图谱中症状和中药的嵌入特征表示。transe的嵌入方法目的是将知识图谱中的实体和关系映射到连续的向量空间中，获得低维特征表示。
29.进一步，所述步骤三中的图神经网络的拟合包括：
30.通过transe模型获得症状和中药的嵌入特征表示作为处方中症状和中药的初始特征表示，并且特征表示中富含中药的属性性质的信息。
31.在中医处方数据集中，每条处方数据由一组症状和一组中药组成，将处方数据转化为图结构数据的形式，并构建症状-症状协同图、症状-中药二部图、中药-中药协同图，不同的图分别表征症状和中药的不同层次的信息；其中，所述症状-中药二部图描述症状和中药之间内在关联的信息，所述症状-症状协同图描述症状之间的潜在信息，所述中药-中药协同图描述中药之间的相互作用。所述图的构建方法是基于同一处方中症状和中药的共现信息构建的。如果在其他处方中出现相同的症状对，则对频率加一；通过设定的阈值t对症状对进行过滤，剩余的症状对即症状-症状二部图的边信息。
32.进一步，所述图构建的数学形式如下所示：
[0033][0034][0035]
图神经网络的核心组件是邻居聚合。第一层网络用于获取节点相邻节点one-hop的信息，对于第二层网络，由于在第一层时所有节点都获取相邻节点的信息，故第二层网络在聚合相邻节点信息的同时也获得节点的two-hop节点的信息。层数越高，节点聚合到的节点信息越多，但同时引入的噪声也越多。kdhr为了同时获得节点低层的高质量的特征表示以及高层的蕴含多跳节点信息的特征表示，使用多信息融合机制获取综合的节点嵌入。
[0036]
kdhr中拟合症状-中药二部图的聚合方式如下所示：
[0037][0038][0039]
其中，ys和yh分别是症状和中药的特征向量，w是网络的可训练参数，ns和nh分别是与症状s相连的中草药集合和与中草药h相连的症状集合，l是网络的层数。公式(3)和(4)在邻居聚合时没有加入自身的信息，同时网络每层学习的特征是不同层次的。kdhr使用公式(5)和(6)进行多信息融合，在公式(5)和(6)中同时也加入节点自身的信息。融合后的特征向量代表症状-中草药二部图中症状和草药的最终特征表示：
[0040][0041]
[0042]
本发明的另一目的在于提供一种应用所述的中药配伍辅助决策方法的中药配伍辅助决策系统，所述中药配伍辅助决策系统包括：
[0043]
中药知识图谱构建模块模块，用于从中药数据库etcm、tcmsp、tcm-mesh以及权威的中医书籍资料中提取出中药相关属性的信息用于构建图谱；
[0044]
中药知识图谱嵌入模块模块，用于在获取中药知识图谱后，使用transe模型得到中药知识图谱中症状和中药的嵌入特征表示；
[0045]
图神经网络拟合模块，用于通过transe模型获得症状和中药的嵌入特征表示作为处方中症状和中药的初始特征表示，并富含中药的属性性质的信息。
[0046]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
[0047]
从中药数据库etcm、tcmsp、tcm-mesh以及权威的中医书籍资料《中华本草》和《中国药典》中提取出中药相关属性的信息用于构建图谱；获取中药知识图谱后，使用transe模型得到中药知识图谱中症状和中药的嵌入特征表示；通过transe模型获得症状和中药的嵌入特征表示作为处方中症状和中药的初始特征表示，并且特征表示中富含中药的属性性质的信息。
[0048]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
[0049]
从中药数据库etcm、tcmsp、tcm-mesh以及权威的中医书籍资料《中华本草》和《中国药典》中提取出中药相关属性的信息用于构建图谱；获取中药知识图谱后，使用transe模型得到中药知识图谱中症状和中药的嵌入特征表示；通过transe模型获得症状和中药的嵌入特征表示作为处方中症状和中药的初始特征表示，并且特征表示中富含中药的属性性质的信息。
[0050]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的中药配伍辅助决策系统。
[0051]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
[0052]
本发明提供的方法通过数据稀疏性的缓解可以保证降低不必要的存储和计算，更好的学习特征表示与其之间的关系，提升学习模型的性能。在中医处方数据集中，每条处方数据由一组症状和一组中药组成。原始的处方数据表示形式中症状与症状之间、中草药与中草药之间、症状与中草药之间没有很强的关联性，而图结构形式的数据通过嵌入进行表征学习可以有效缓解数据稀疏、数据关联性弱等问题，通过图神经网络模型对中医处方数据进行症状感知与中药之间的复杂相关性进行融合，从而更好对症状与中药的关系，症状之间的相关性和中药之间的相关性进行探究，充分利用现实世界中症状和中药的先验相关性来提高中药配伍辅助决策模型的性能，给出更为精确的决策辅助。通过构建中药知识图谱，引入中药的属性作为辅助信息，使模型能够拟合中药和症状之间更加复杂的相关性，获得信息丰富的症状特征表示和中药特征表示，借助图神经网络强大的拟合能力，可以使得中药配伍辅助决策的效果得到进一步的提高。
[0053]
本发明提供的中药配伍辅助决策方法，针对中药配伍的知识图谱结合图神经网络的技术，对使用transe获取嵌入特征表示作为处方数据中症状和中药的初始化特征表示的
技术，基于知识图谱和图神经网络，用于中药配伍的辅助决策。本发明通过构建中药知识图谱，引入中药的相关属性信息，充分考虑现实世界中症状和中药的先验相关性。本发明使用transe获得知识图谱上症状和中药的嵌入特征表示，作为处方数据中症状和中药的初始化特征表示，而不是随机初始化。
[0054]
此外，本发明的方法还具有以下优势：(1)通过构建中药知识图谱，引入中药的属性作为辅助信息，使模型能够拟合中药和症状之间更加复杂的相关性；(2)提出了一种transe+kdhr的辅助决策模型，以获得信息丰富的症状特征表示和中药特征表示；(3)该方法通过引入中药的属性信息，以及图神经网络强大的拟合能力，使得中药配伍辅助决策的效果得到进一步的提高。
附图说明
[0055]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0056]
图1是本发明实施例提供的中药配伍辅助决策方法流程图。
[0057]
图2是本发明实施例提供的中药配伍辅助决策方法原理图。
[0058]
图3是本发明实施例提供的中药配伍辅助决策系统结构框图；
[0059]
图中：1、中药知识图谱构建模块；2、中药知识图谱嵌入模块；3、图神经网络拟合模块。
具体实施方式
[0060]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0061]
针对现有技术存在的问题，本发明提供了一种中药配伍辅助决策方法及系统，下面结合附图对本发明作详细的描述。
[0062]
如图1所示，本发明实施例提供的中药配伍辅助决策方法包括以下步骤：
[0063]
s101，从中药数据库etcm、tcmsp、tcm-mesh及权威的中医书籍资料《中华本草》和《中国药典》中提取出中药相关属性的信息用于构建图谱；
[0064]
s102，在获取中药知识图谱后，使用transe模型得到中药知识图谱中症状和中药的嵌入特征表示；
[0065]
s103，通过transe模型获得症状和中药的嵌入特征表示作为处方中症状和中药的初始特征表示，并且特征表示中富含中药的属性性质的信息。
[0066]
本发明实施例提供的中药配伍辅助决策方法原理图如图2所示。
[0067]
如图3所示，本发明实施例提供的中药配伍辅助决策系统包括：
[0068]
中药知识图谱构建模块模块1，用于从中药数据库etcm、tcmsp、tcm-mesh及权威的中医书籍资料中提取出中药相关属性的信息用于构建图谱；
[0069]
中药知识图谱嵌入模块模块2，用于在获取中药知识图谱后，使用transe模型得到
中药知识图谱中症状和中药的嵌入特征表示；
[0070]
图神经网络拟合模块3，用于通过transe模型获得症状和中药的嵌入特征表示作为处方中症状和中药的初始特征表示，并富含中药的属性性质的信息。
[0071]
下面结合具体实施例对本发明的技术方案作进一步描述。
[0072]
本发明公开了一种基于知识图谱和图神经网络的中药配伍辅助决策方法，属于中医处方知识挖掘领域。中医处方是中医在长期发展中积累起来的宝贵财富。利用人工智能技术构建中药配伍辅助决策模型，深入了解处方的规律，对中医临床应用和新处方的发现具有重要意义。由于以往构建的中药配伍辅助决策模型大多忽略了中药的性质信息，且大多采用基于词袋的统计模型进行辅助决策，这使得模型难以感知症状与中药之间的复杂相关性。因此，本发明提出了一种基于知识图谱和图神经网络的辅助决策方法，用于中药配伍的辅助决策。该方法具有以下优势：(1)通过构建中药知识图谱，引入中药的属性作为辅助信息，使模型能够拟合中药和症状之间更加复杂的相关性；(2)提出了一种transe+kdhr的辅助决策模型，以获得信息丰富的症状特征表示和中药特征表示；(3)该方法通过引入中药的属性信息，以及图神经网络强大的拟合能力，使得中药配伍辅助决策的效果得到进一步的提高。
[0073]
本发明提出了一种基于知识图谱和图神经网络的中药配伍辅助决策方法，其由三个模块组成，包括中药知识图谱构建模块，中药知识图谱嵌入模块，图神经网络拟合模块，技术流程如图2所示。每个模块的具体描述如下：
[0074]
(1)中药知识图谱构建模块
[0075]
知识图谱是用来积累和传达真实世界知识的一种数据图，其节点表示感兴趣的实体，其边表示这些实体之间的关系。知识图谱的节点和边蕴含丰富的语义信息，通过合适的嵌入模型可以将知识图谱中的实体、关系转化为便于作为机器学习和深度学习输入的低维特征向量。
[0076]
以往的中药配伍相关方法大都忽略了中药性质的影响，本发明通过通过构建中药知识图谱可以引入中药相关性质的信息。
[0077]
本发明从目前主流的中药数据库：etcm、tcmsp、tcm-mesh以及权威的中医书籍资料：《中华本草》和《中国药典》中提取出中药相关属性的信息用于构建图谱，例如：中草药的性味、归经、功能主治、不良反应等信息。
[0078]
(2)中药知识图谱嵌入模块
[0079]
获取中药知识图谱之后，使用transe模型得到中药知识图谱中症状和中药的嵌入特征表示。transe的嵌入方法目的是将知识图谱中的实体和关系映射到连续的向量空间中，获得低维特征表示。例如：在中药知识图谱中存在三元组：《白术(head)，归经是(relation)，胃经(tail)》，transe即将关系“归经是”看做是实体“白术”到实体“胃经”的翻译，通过不断的调整“白术”、“胃经”、“归经是”的特征向量，使(“白术”+“胃经”)尽可能与“归经是”的特征向量相等，即head+tail≈relation。
[0080]
(3)图神经网络拟合模块
[0081]
kdhr是一种基于图神经网络的模型，用于拟合图结构数据，以获得图中节点的特征表示。以往的图神经网络模型用于中药配伍辅助决策时，初始的节点特征表示大都是随机生成的。然而，本发明通过transe模型获得症状和中药的嵌入特征表示作为处方中症状
和中药的初始特征表示，并且特征表示中富含中药的属性性质的信息。
[0082]
在中医处方数据集中，每条处方数据由一组症状和一组中药组成。原始的处方数据表示形式中症状与症状之间、中草药与中草药之间、症状与中草药之间没有很强的关联性，而图结构形式的数据可以有效缓解数据稀疏、数据关联性弱等问题。因此，为了缓解处方数据的弱关联性，将处方数据转化为图结构数据的形式。主要方法是构建症状-症状协同图、症状-中药二部图、中药-中药协同图。不同的图分别表征了症状和中药的不同层次的信息。症状-中药二部图描述了症状和中药之间内在关联的信息。症状-症状协同图描述了症状之间的潜在信息，例如哪些症状很大可能同时出现。中药-中药协同图描述了中药之间的相互作用，例如哪些中草药组合经常出现并且不会产生不良反应。以上图的构建方法主要是基于同一处方中症状和中药的共现信息来构建的。以症状-症状二部图为例，假设处方p＝《{s1，s2，s3}，{h1，h2，h3}》，症状集合s_set＝{s1，s2，s3}，则获得症状对及其频率{(s1，s2)：1，(s1，s3)：1，(s2，s3)：1}。如果在其他处方中出现了相同的症状对，则对其频率加一。最后，通过设定的阈值t对症状对进行过滤，剩余的症状对即症状-症状二部图的边信息。图构建的数学形式如下所示：
[0083][0084][0085]
图神经网络其核心组件主要是邻居聚合。邻居聚合主要是指如何聚合当前节点和其邻居节点的特征。需要注意的是，第一层网络可以获取节点相邻节点(one-hop)的信息，对于第二层网络，由于在第一层时所有节点都获取了相邻节点的信息，所以第二层网络在聚合相邻节点信息的同时也获得了节点的two-hop节点的信息。层数越高，节点聚合到的节点信息越多，但同时引入的噪声也越多。kdhr为了同时获得节点低层的高质量的特征表示以及高层的蕴含多跳节点信息的特征表示，使用了多信息融合机制获取综合的节点嵌入。
[0086]
kdhr中拟合症状-中药二部图的聚合方式如下所示：
[0087][0088][0089]
其中，ys和yh分别是症状和中药的特征向量，w是网络的可训练参数，ns和nh分别是与症状s相连的中草药集合和与中草药h相连的症状集合，l是网络的层数。注意到公式(3)和(4)在邻居聚合时没有加入自身的信息，同时网络每层学习的特征是不同层次的。因此kdhr使用公式(5)和(6)进行多信息融合，在公式(5)和(6)中同时也加入了节点自身的信息。融合后的特征向量代表症状-中草药二部图中症状和草药的最终特征表示。
[0090][0091][0091]
[0092]
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0093]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0094]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。