真实世界中医诊疗数据挖掘分析探索和实践

1、关于真实世界中医诊疗数据挖掘分析的探索与实践第一张，PPT共三十九页，创作于2022年6月一、数据挖掘概述数据挖掘（Data Mining，DM）是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。 分类或预测聚类关联规则序列模式等根据任务数据挖掘作为知识发现（KDD）的一个步骤10 第二张，PPT共三十九页，创作于2022年6月二、真实世界中医诊疗数据挖掘 的研究现状几千年来，中医临床实践积累了海量的真实世界中医诊疗数据；东汉末年，医圣张仲景钻研和分析已有文献典籍（素问、九卷、八十一难、阴阳大论、胎胪药录等），并结合临床诊疗

2、经验，利用古代数学等相关知识，得出了六经辨证模式，撰写出被后人称为辨证论治典范的著作伤寒杂病论，体现了现代数据挖掘技术的朴素思想19；当今，利用先进的数据挖掘技术，在海量的真实世界中医数据中，发现启发性或可验证性的中医诊疗规律，将会对疾病的防御和治疗，对人们更好地了解中医的内涵以及促进中医的发展具有重要的现实意义。 第三张，PPT共三十九页，创作于2022年6月从上世纪90 年代以来，随着数据挖掘技术的成熟和广泛应用，利用数据挖掘等先进的信息技术手段，总结名老中医诊疗经验、探索中医辨证论治规律已逐渐成为国内中医领域的研究热点。利用聚类46-55、关联规则56-65、贝叶斯网络与贝叶斯分类66-

3、70、SVM71-73、回归分析和判别分析74-77、神经网络78-81、Rough集82-85、文本挖掘86-89、复杂网络90-91、因子分析和主成份分析92-94、隐结构模型95-102 、隐马尔科夫模型106-108、主体模型109-114等多种数据挖掘技术，广泛探索中医“辨证论治”的诊疗规律。二、真实世界中医诊疗数据挖掘 的研究现状第四张，PPT共三十九页，创作于2022年6月聚类分析189 个案例中半夏泻心汤7 味中药聚成四类, 各类药物的平均用量( g) 53 聚类结果示例10二、真实世界中医诊疗数据挖掘 的研究现状第五张，PPT共三十九页，创作于2022年6月聚类分析35 个肾

4、虚辨证因子聚类分析树状图49 二、真实世界中医诊疗数据挖掘 的研究现状第六张，PPT共三十九页，创作于2022年6月聚类分析3238例糖尿病数据中50个症状的部分分层聚类结果二、真实世界中医诊疗数据挖掘 的研究现状3238例糖尿病数据中50个症状 第七张，PPT共三十九页，创作于2022年6月聚类分析利用SPSS,对Breast cancer数据中的1207例数据进行K-means聚5类的结果 二、真实世界中医诊疗数据挖掘 的研究现状第八张，PPT共三十九页，创作于2022年6月应用聚类分析存在的问题二、真实世界中医诊疗数据挖掘 的研究现状参数选择问题聚类都涉参数选择问题。如，聚类数与距离函数

5、（或密度函数）都需要人为设定，不同的参数设置通常会得到不同的聚类结果，尤其是面对高维稀疏数据时，聚类结果受距离函数（或密度函数）的影响更为突出。中医在症状、证候和复方药物的描述中具有高维性和稀疏性特征。据我们对3000多例糖尿病数据统计得知，常用的症状或中药名称约500种，证候描述约1000多种。而每个患者描述的症状、中药与证候诊断约20种左右。第九张，PPT共三十九页，创作于2022年6月应用聚类分析存在的问题二、真实世界中医诊疗数据挖掘 的研究现状v1v2v3p11010 0 p21100 0 中医临床数据特点v1v2v3t15001000 0t21101120451120文本数据特点参数

6、选择问题特点：变量值稀疏且单一第十张，PPT共三十九页，创作于2022年6月应用聚类分析存在的问题二、真实世界中医诊疗数据挖掘 的研究现状聚类的单分配性聚类结果示例10在“辨证”时，一种症状可表现在不同的证候中，一个患者可以表现出不同的证候；在利用复方“论治”时，一种中药可以出现在不同的复方里。所以在分析这些中医问题时，都不适合单纯使用聚类方法。 第十一张，PPT共三十九页，创作于2022年6月应用聚类分析存在的问题二、真实世界中医诊疗数据挖掘 的研究现状中医药术语的语义复杂性随着几千年语言文化的演变，中医术语普遍存在一词多义 (Polysemy)和多词一义 (Synonymy)的现象。如：“

7、喘”与“气喘”，“纳呆”与“厌食”以及“食欲不振”，“不寐”与“失眠”等在症状中的不同描述，在中草药中如“瓜蒌”与“瓜壳”，“姜”与“生姜”等的描述，在证候中如“伤寒”一词，可以是外感病的统称，也可以指外感风寒的感冒。在聚类挖掘中距离（或密度）的计算时，难以顾及特证词的语义问题。 第十二张，PPT共三十九页，创作于2022年6月解决办法二、真实世界中医诊疗数据挖掘 的研究现状参数选择问题聚类的单分配性中医药术语的语义复杂性专家指导、算法反复尝试采用模糊聚类算法或其它算法建立、完善中医临床术语系统，构建中医本体（Ontology ）125？第十三张，PPT共三十九页，创作于2022年6月关联规则

8、舌苔薄(白)=中虚气滞(50%)；舌质红=中虚气滞(66%)；胃脘痞胀舌苔薄(白)吞酸或泛酸舌质红=中虚气滞(100%) 基于辨证“中虚气滞”关联规则57 四诊信息与证候的关联59 四诊信息与用药的关联59 二、真实世界中医诊疗数据挖掘 的研究现状第十四张，PPT共三十九页，创作于2022年6月应用关联规则存在的问题二、真实世界中医诊疗数据挖掘 的研究现状参数设置最小支持度（support）和置信度(confidence)这两个主要参数的设置。当参数设置较大时，学习出的规则会很少，不具有代表性，而当参数设置较小时，由于规则是考察变量之间的组合而产生，将会得出比变量多得多的规则，导致研究人员或领

9、域专家又被淹没在大量的规则里。临床专家对规则的解释第十五张，PPT共三十九页，创作于2022年6月隐结构模型 利用隐结构模型分析2600例肾虚患者的35个症状的部分图解96二、真实世界中医诊疗数据挖掘 的研究现状第十六张，PPT共三十九页，创作于2022年6月应用隐结构模型存在的问题二、真实世界中医诊疗数据挖掘 的研究现状与聚类算法具有相同的问题运行速度较慢由于学习的目的是建立一个分层树状的贝叶斯网络，学习算法是使用在一次迭代中只能在分层树上进行一个局部变动的贪心方法（例如，引入一个隐变量或者删除一条边），有较高的计算复杂度，导致学习效率比较低。例如，文献96对2600个肾虚病例中67个症状的

10、35个症状建立了HLC模型，使用2.4GHz的奔腾IV计算机，花费了98.5小时，而对于分析全部的67个症状就较难处理。 第十七张，PPT共三十九页，创作于2022年6月主题模型3238例糖尿病中药数据中提取的8个主题中的3个主题 3238例糖尿病症状数据中提取的20个主题中的若干个主题（矩形框左上角之间的距离代表主题间的距离） 二、真实世界中医诊疗数据挖掘 的研究现状第十八张，PPT共三十九页，创作于2022年6月主题模型TOPIC 13（0.01463）症状分布概率中药分布概率 平均剂量(g)诊断分布概率下肢浮肿0.37800车前子0.26460 18.98701糖尿病肾病0.23539浮

11、肿0.20962猪苓0.13746 16.18750低蛋白血症0.06185颜面浮肿0.06014白术0.13058 12.50000冠心病0.06014尿量少0.05670泽兰0.07216 13.00000慢性肾功能不全0.05670大便不调0.03436大腹皮0.07216 14.78571高血压0.03952肢体浮肿0.03265山茱萸0.06357 12.54054糖尿病肾病iv期0.03608面部浮肿0.02577法半夏0.04295 10.08000慢性心功能不全0.03265皮肤苍白0.02234浙贝0.04295 12.48000心功能级0.02405面色晦暗0.02062阿

12、胶0.03265 13.68421血脂代谢紊乱0.02234视物模糊0.01718芡实0.02749 12.00000白内障0.022343238例糖尿病数据的的症状-中药-诊断主题模型的其中一个主题的概率分布115二、真实世界中医诊疗数据挖掘 的研究现状第十九张，PPT共三十九页，创作于2022年6月应用主题模型存在的问题二、真实世界中医诊疗数据挖掘 的研究现状参数选择问题没有考虑症状的轻重程度、中药的剂量、以及诊断的轻重程度没有考虑变量间的父子关系，如肢体麻木下肢麻木解决办法无参算法设计对变量合理量化 症状：轻（1）、中（2）、重（3）；对中药剂量进行合理归一化结合中医本体研究有效的主题模

13、型算法第二十张，PPT共三十九页，创作于2022年6月部分可观察马尔可夫决策过程模型给出患者的处方治疗方案112二、真实世界中医诊疗数据挖掘 的研究现状第二十一张，PPT共三十九页，创作于2022年6月应用部分可观察马尔可夫决策过程存在的问题二、真实世界中医诊疗数据挖掘 的研究现状对同一病例跟踪记录的诊次数据较少对症状的变化值记录不全第二十二张，PPT共三十九页，创作于2022年6月复杂网络药物配伍网络示意图124二、真实世界中医诊疗数据挖掘 的研究现状第二十三张，PPT共三十九页，创作于2022年6月应用复杂网络存在的问题二、真实世界中医诊疗数据挖掘 的研究现状目前还没有考虑中药的剂量第二十

14、四张，PPT共三十九页，创作于2022年6月OLPA 数据立方体、上卷、下钻的例子10 二、真实世界中医诊疗数据挖掘 的研究现状第二十五张，PPT共三十九页，创作于2022年6月OLPA信息所snomed数据的临床所见分层部分结构 四诊所见及中医诊察仪器所见望诊所见闻诊所见问诊所见切（按）诊所见切（按）诊所见望神所见望形体、姿态所见望形体所见浮肿脱形半身不遂二、真实世界中医诊疗数据挖掘 的研究现状第二十六张，PPT共三十九页，创作于2022年6月真实世界中医诊疗数据的术语是否准确、术语变量对应的值是否准确、采集数据是否便于结构化、都会影响数据挖掘的最终结果。数据的完整性、语义关联性等，也影响数

15、据挖掘的最终结果。三、数据挖掘对真实世界 中医诊疗数据的要求第二十七张，PPT共三十九页，创作于2022年6月三、数据挖掘对真实世界 中医诊疗数据的要求临床术语变量间应有同义关系、父子关系等标志主要症状变量描述112 头部耳眼部对光的反射对光的反射?.术语分层 第二十八张，PPT共三十九页，创作于2022年6月三、数据挖掘对临床术语的要求临床术语变量有对应的值，且能够转化为适合分析的结构化数据类风湿病诊断信息表82 第二十九张，PPT共三十九页，创作于2022年6月四、数据挖掘常用工具软件（一）WekaWeka包括分类、聚类和关联规则、属性选择等功能。它是开源软件。（二）SPSS著名的统计分析

16、软件之一，包含假设检验、统计推断、预测、制图等多种数据分析方法。（三）SASSAS是一种功能强大的数据分析工具。包括数据获取工具、数据取样工具、数据筛选工具、数据变量转换工具、数据挖掘数据库、数据挖掘过程、多种形式的回归工具、为建立决策树的数据剖分工具、决策树浏览工具、人工神经元网络 数据挖掘的评价工具。第三十张，PPT共三十九页，创作于2022年6月五、真实世界中医诊疗数据挖掘的思考1、术语、临床数据的规范性 仔细研究临床术语的特征与分类规则，开发临床术语系统与中医本体，对其进行有效维护，便于在电子病历中与数据挖掘中的应用； 电子病历设计人员与数据挖掘人员间有效沟通，设计合理、有效的临床数据

17、存储格式，采集便于分析的完整的、准确的数据。2、各医疗病种提出可行的数据挖掘目标 中医临床人员与数据挖掘人员的有效沟通，设计数据挖掘目标，并且对分析挖掘获得的结果进行反复分析研究。3、挖掘方法的可行性、可解释性、便捷性。 开发有效的、适合中医临床数据的集成多种数据挖掘方法的分析挖掘系统，便于被医疗人员和管理人员便捷使用。第三十一张，PPT共三十九页，创作于2022年6月参考文献1刘保延, 张志斌. 古代辨证方法的研究思路探讨. 中国中医基础医学杂志. 2004, 10(5): 325-331.2邓铁涛. 辨证论治是中医临床医学的灵魂. 中医药学刊. 2002, 20(4): 394-395.3

18、胡镜清, 刘保延, 王永炎. 中医临床个体化诊疗信息特征与数据挖掘技术应用分析. 世界科学技术中医药现代化. 2004, 6(1): 14-16.4刘保延, 周雪忠. 中医临床研究方法的思考与实践系统生物学湿干研究模式与中医临床研究. 世界科学技术-中医药现代化. 2007, 9(1): 85-89.5周雪忠. 中医临床数据仓库构建及临床数据挖掘方法研究. 博士后出站报告. 中国中医科学院. 2007.6刘明武. 是告别,还是积极传承？中国中医基础医学杂志. 2007, 13(3): 161-166.7袁占国. 十大问题困扰巾医药的生存与发展. 甘肃中医. 2008, 21: 11-13.8朱

19、杭溢. 中医的生存与发展是历史的必然. 中华中医药学刊. 2007, 25(11): 2377-2379.9T. Mitchell. Machine learning and data mining. Communications of the ACM. 1999, 42(11): 31-36. 10J. Han, M. Kamber. Data mining: Concepts and techniques. Morgan Kaufmann, San Francisco, CA. 2001.11D. Hand, H. Mannila, P. Smyth. Principles of data

20、 mining. MIT Press, Cambridge, CA. 2001.12史忠植. 知识发现. 清华大学出版社, 北京. 2002.13I. Witten, E. Frank. Data mining: Practical Machine Learning Tools and Techniques. 2nd Edition, Morgan Kaufmann, Massachusetts, USA. 2005.14王珏, 周志华, 周傲英. 机器学习及其应用. 清华大学出版社, 北京. 2006.15/opencms/opencms/xxyj/wxzyyj/gujidiaoyan.ht

21、ml.16/96/全国中医药统计摘编/atog/2008/d2-25.htm.17S. Lukman, Y. He, S. Hui. Computational methods for traditional Chinese medicine: a survey. Computer Methods and Programs in Biomedicine. 2007, 88: 283-294.18:8012/tcm/sys/lmService?channelid=YSTSJS&recid=400.19李垠含, 石岩. 数据挖掘技术在中医研究中的运用初探. 长春中医药大学学报. 2009, 25(

22、1): 8-9.20郝先中. 近代中医废存之争研究. 华中师范大学博士论文. 2005.21封毅. 中医药知识发现可靠性研究. 浙江大学博士论文. 2008.22吴朝晖, 封毅. 数据库中知识发现在中医药领域的若干探索(I). 中国中医药信息杂志. 2005, 12(10): 93-95.23宋小莉. 中西医思维方式的差异. 中国中医药报. 2004, 4(17): 6-7.24/96/全国中医药统计摘编/atog/2008/A01.htm.25童元元, 何巍, 赵英凯. 世界卫生组织传统医学政策回顾. 中国中医药信息杂志. 2010, 17(1): 2-3.第三十二张，PPT共三十九页，创作

23、于2022年6月参考文献26B. Liu, J. Hu, Y. Xie, et al. Effects of integrative Chinese and western medicine on arterial saturation in patients with severe acute respiratory syndrome. Journal of Chinese Integrative Medicine. 2004, 10(2): 117-122.27World Health Organization. SARS: Clinical trials on treatment usi

24、ng a combination of traditional Chinese medicine and western medicine. 2004.28V. Konkimalla, T. Efferth. Evidence-based Chinese medicine for cancer therapy. Journal of Ethnopharmacology. 2008, 116: 207-210.29Z. Wang, Z. Chen. Acute promyelocytic leukemia: from highly fatal to highly curable. Blood.

25、2008, 111: 2505-2515.30L. Wang, G. Zhou, P. Liu, et al. Dissection of mechanisms of Chinese medicinal formula Realgar-Indigo naturalis as an effective treatment for promyelocytic leukemia. Proceedings of the National Academy of Sciences. 2008, 105: 4826-4831.31H. Diener, K. Kronfeld, G. Boewing, et

26、al. Efficacy of acupuncture for the prophylaxis of migraine: a multicentre randomised controlled clinical trial. Lancet Neurol. 2006, 5: 310-316.32B. Flaws, P. Sionneau. The treatment of modern western medical diseases with Chinese medicine: a textbook and clinical manual. 2nd ed. Blue Poppy Press.

27、2005.33J. Rao, K. Mihaliak, K. Kroenke, et al. Use of complementary therapies for arthritis among patients of rheumatologists. Annals of Internal Medicine. 1999, 131: 409-416.34D. Eisenberg, R. Davis, S. Ettner, et al. Trends in alternative medicine use in the United States 1097: results of a follow

28、-up national survey. Journal of the American Medical Association. 1998, 280(18): 1569-1575.35K. Honda, J. Jacobson. Use of complementary and alternative medicine among United States adults: the influences of personality, coping strategies, and social support. Preventive Medicine. 2005, 40(1): 46-53.

29、36K. Thomas, J. Nicholl, P. Coleman. Use and expenditure on complementary medicine in England: a population based survey. Complementary Therapies in Medicine. 2001, 9: 2-11.37H. Yamashita, H. Tsukayama, C. Sugishita. Popularity of complementary and alternative medicine in Japan: a telephone survey.

30、Complementary Therapies in Medicine. 2002, 10: 84-93.38姚美村, 袁月梅, 艾路, 等. 数据挖掘及其在中医药现代化研究中的应用. 北京中医药大学学报. 2002, 25(5): 20-23.39乔延江, 李澎涛, 苏钢强, 等. 中药(复方)KDD研究开发的意义. 北京中医药大学学报. 1998, 21(3): 15-17. 40田琳. 数据挖掘及其在中医药领域中的应用.中国中医基础医学杂志. 2006, 11(9): 7l0-711.第三十三张，PPT共三十九页，创作于2022年6月参考文献41丁维, 蒋永光, 宋姚屏, 等. 中医知识

31、发现研究现状. 数理医药学杂志. 2007, 20(3): 403-404.42李志更, 王天芳, 任婕, 等. 中医科研中几种常用数据挖掘方法浅析. 中医药学报. 2008, 36(2): 29-32. 43X. Zhou, B. Liu. Traditional Chinese medicine clinical data mining: experiences and issues. Proceedings of the Workshop on Advances and Issues in Biomedical Data Mining at the 13th Pacific-Asia C

32、onference on Knowledge Discovery and Data Mining. 2009, 11-20.44Y. Feng, Z. Wu, X. Zhou, et al. Knowledge discovery in traditional Chinese medicine: State of the art and perspectives. Artificial Intelligence in Medicine. 2006, 38(3): 219-236.45X. Zhou, S. Chen, B. Liu, et al. Development of traditio

33、nal Chinese medicine clinical data warehouse for medical knowledge discovery and decision support. Artificial Intelligence in Medicine. 2010, 48: 139-152.46刘稼. 聚类分析在中医药研究中的应用及意义. 中医药学刊. 2004, 22(5): 927-928.47李建生, 胡金亮, 余学庆. 基于聚类分析的径向基神经网络用于证候诊断的研究. 中国中医基础医学杂志.2005, 11(9): 685-687.48邓兆智, 何弈亭, 余煜绵, 等.

34、 计算机模式识别法对类风湿关节炎中医证候判断与常规临床判断的比较. 中国中西医结合杂志. 1996, 16(12): 727-729.49刘明, 王米渠. 六纲与肾虚症状聚类分析的方法及问题探索. 现代中西医结合杂志. 2005, 14(9): 1117-1119.50张世筠, 沈明秀, 王先春, 等. 中医肝证的变量聚类分析. 中国中西医结合杂志. 2004, 24(1): 75-76.51Q. Zhang, W. Zhang, J. Wei, et al. Combined use of factor analysis and cluster analysis in classificat

35、ion of traditional Chinese medical syndromes in patients with posthepatitic cirrhosis. Journal of Chinese Integrative Medicine. 2005, 3(1): 14-18.52Q. He, J. Wang, Y. Zhang, et al. Cluster analysis on symptoms and signs of traditional Chinese medicine in 815 Patients with Unstable Angina. Proceeding

36、s of the 6th International Conference on Fuzzy Systems and Knowledge Discovery. 2009, 435-439.53李国春, 史欣德. 半夏泻心汤临床案例用药量的聚类分析. 中医药学刊. 2005, 23(5): 836-838.54周德生. 明清时期津液亏损案573例辨证用药统计分析. 中医药研究. 1998, 14(4): 12-13.55周君, 冯妍. 明清时期消渴病案59例用药统计分析. 国医论坛. 2005, 20(6): 18-18.第三十四张，PPT共三十九页，创作于2022年6月参考文献56王华, 胡学

37、钢. 基于关联规则的数据挖掘在临床上的应用. 安徽大学学报(自然科学版). 2006, 30(2): 21-25.57钟颖, 胡雪蕾, 陆建峰. 基于关联规则和决策树的中医胃炎诊断分析. 中国中医药信息杂志. 2008, 15(8): 97-99.58李文林, 赵国平, 陆建峰, 等. 关联规则在名医临证经验分析挖掘中的应用. 南京中医药大学学报. 2008, 24(1): 21-24.59朱立成, 林色奇, 薛汉荣, 等. 名中医哮喘医案445例关联规则分析. 江西中医学院学报. 2007, 19(5): 83-87.60吴荣, 王阶, 周雪忠, 等. 基于关联规则的名老中医冠心病用药规律研

38、究. 中国中药杂志. 2007, 32(17): 1786-1788.61姚美村, 艾路, 袁月梅, 等. 消渴病复方配伍规律的关联规则分析. 北京中医药大学学报. 2002, 25(6): 48-50.62陈擎文. 数据挖掘技术在古代名中医中风医案之应用研究. 中华中医药学刊. 2008, 26(10): 2254-2257.63Z. Zhou, Z. Wu, C. Wang, et al. Mining both associated and correlated patterns. Proceedings of International Conference on Computatio

39、nal Science. 2006, 468-475.64C. Li, C. Tang, J. Peng, et al. NNF: An effective approach in medicine paring analysis of traditional Chinese medicine prescriptions. Proceedings of 10th International Conference of Database Systems for Advanced Applications. 2005, 576-581.65何前锋, 崔蒙, 吴朝晖, 等. 方剂中配伍知识的发现.

40、中国中医药信息杂志. 2004, 11(7): 655-658.66B. Pang, D. Zhang, N. Li, et al. Computerized tongue diagnosis based on Bayesian networks. IEEE Transaction on Biomedical Engineering. 2004, 51(10): 1803-1810.67H. Wang, J. Wang. A quantitative diagnostic method based on Bayesian networks in traditional Chinese medi

41、cine. Lecture Notes in Computer Science. 2006, 4234: 176-183.68朱文锋, 晏峻峰, 黄碧群. 贝叶斯网络在中医证素辨证体系中的应用. 中西医结合学报. 2006, 4(6): 567-571.69K. Deng, D. Liu, S. Gao, et al. Structural learning of graphical models and its applications to traditional Chinese medicine. Proceedings of FSKD. 2005, 362-367.70X. Wang,

42、 H. Qu, P. Liu, et al. A self-learning expert system for diagnosis in traditional Chinese medicine. Expert Systems with Applications. 2004, 26(4): 557-566.71孙燕, 臧传新, 任廷革, 等. 支持向量机方法在伤寒论方分类建模中的应用. 中国中医药信息杂. 2007, 14(1): 101-102.72Z. Gao, L. Po, W. Jiang, et al. A novel computerized method based on su

43、pport vector machine for tongue diagnosis. Proceedings of the 3rd International IEEE Conference on Signal-Image Technologies and Internet-Based System. 2007, 849-854.73焦月, 张新峰, 卓力. 中医舌象样本分类中加权SVM的应用研究. 测控技术. 2010, 29(5): 1-4.74刘士敬, 朱倩. 中医产科病证脾气虚证型量化诊断标准研究92例本证型诊断因素的多元回归分析. 中国中医基础医学杂志. 1998, 4(9): 49

44、-51.75李小兵, 方永奇, 洪永敦, 等. 心脑血管病痰证宏观辨证的计量化研究. 中国中医基础医学杂志. 2000, 6(5): 44-47.第三十五张，PPT共三十九页，创作于2022年6月参考文献76由松, 胡立胜. 中医症状及证候的量化方法探讨. 北京中医药大学学报. 2002, 25(2): 13-15.77黄小波, 李宗信, 陈文强, 等. 慢性疲劳综合征中医证型判别分析. 中国中医药信息杂志. 2006, 6(13): 21-22.78吴芸, 周昌乐, 张志枫. 中医舌诊神经网络的优化遗传算法. 计算机应用研究. 2007, 24(9): 50-52.79韦玉科, 汪仁煌, 陈

45、群, 等. 基于竞争神经网络的中医智能诊断推理新方法. 计算机工程与应用. 2006, 42(7): 224-226.80秦中广, 毛宗源. 粗糙神经网络及其在中医智能诊断系统中的应用. 计算机工程与应用. 2001, 37(18): 34-35.81郭红霞, 王炳和, 郑思仪, 等. 基于概率神经网络的中医脉象识别方法研究. 计算机工程与应用. 2007, 43(20): 194-196.82J. Yan, Y. Peng, W. Zhu. Experimental study of syndrome elements based on the rough set theory. Proce

46、edings of the 2nd International Conference on Information and Computing Science. 2009, 39-41.83秦中广, 毛宗源. 粗糙集在中医类风湿证候诊断中的应用. 中国生物医学工程学报. 2001, 20(4): 357-363.84晏峻峰, 朱文锋. 粗糙集理论在中医证素辨证研究中的应用. 中国中医基础医学杂志. 2006, 12(2): 90-93.85谢国明. 基于粗集理论的中医诊断模型的建立. 数理医药学杂志.2005, 18(4): 302-304.86X. Zhou, Y. Peng, B. Liu

47、. Text mining for traditional Chinese medical knowledge discovery: A survey. Journal of Biomedical Informatics. 2010, 43(4): 650-60.87X. Zhou, B. Liu, Z. Wu. Text mining for clinical Chinese herbal medical knowledge discovery. Lecture notes comput science. 2005, 3735: 396-398.88S. Li, Z. Zhang, L. W

48、u, X. Zhang, et al. Understanding ZHENG in traditional Chinese medicine in the context of neuro-endocrine-immune network. IET Systems Biology. 2007, (1): 51-60.89C. Cao, H. Wang, Y. Sui. Knowledge modeling and acquisition of traditional Chinese herbal drugs and formulae from text. Artificial Intelli

49、gence in Medicine 2004, 32(1): 3-13.90X. Zhou, R. Zhang, Y. Wang, et al. Network analysis for core herbal combination knowledge discovery from clinical Chinese medical formulae. Porceeding or the 1st International Workshop on Database Technology and Applications. 2009, 25-26.91X. Zhou, S. Chen, B. L

50、iu, et al. Extraction of hierarchical core structures from traditional Chinese medicine herb combination network. Proceedings of the 2008 International Conference on Advanced Intelligence. 2008, 262-67.92胡申宁, 李文书, 施国生, 等. 基于PCA-AdaBoost的舌象颜色分类研究. 广西师范大学学报(自然科学版). 2009, 27(3): 158-161.93刘莺, 朱文锋, 卢芳国,

51、 等. 152例胃癌患者术前病证聚类与主成份分析. 江苏中医药. 2004, 25(6): 20-22.94王阶, 邢雁伟, 陈建新, 等. 1069例冠心病心绞痛证候因子分析方法的分类研究. 北京中医药大学学报. 2008, 31(5): 344-346.95张连文, 袁世宏. 隐结构模型与中医辨证研究(I)隐结构法的基本思想以及隐结构分析工具. 北京中医药大学学报, 2006, 第三十六张，PPT共三十九页，创作于2022年6月参考文献96张连文, 袁世宏, 陈锼, 等. 隐结构模型与中医辨证研究()肾虚数据分析.北京中医药大学学报. 2008, 31(9): 584-587.97袁世宏,

52、 张连文, 陈弢, 等. 隐结构模型与中医辨证研究()模型辨证与专家辨证. 北京中医药大学学报. 2008, 659-663.98N. Zhang, S. Yuan. Latent Structure Models and Diagnosis in Tradition Chinese Medicine. Technical Report HKUST-CS04-12. Department of computer science, The Hong Kong University of Science and Technology. 2006.99N. Zhang, S. Yuan, T. Ch

53、en, et al. Statistical validation of traditional Chinese medicine theories. The Journal of Alternative and Complementary Medicine. 2008, 14(5): 583-587.100N. Zhang, S. Yuan, T. Chen, et al. Latent tree models and diagnosis in traditional Chinese medicine. Artificial Intelligence in Medicine. 2008, 4

54、2: 229-245.101张连文, 郭海鹏. 贝叶斯网络. 科学出版社, 北京. 2006.102张煜斌, 陆建峰, 李文林, 等. 隐结构模型在慢性胃炎辨证中的应用探索基于EM算法的因子分析方法. 北京生物医学工程. 2009, 28(3): 259-267.103M. Sobel. Causal Inference in latent variable models. A.von Eye and C. Clogg (Eds.) Latent variables analysis: Applications for Developmental. 1994.104D. Bartholomew

55、, M. Knott. Latent Variable Models and Factor Analysis. Arnold, London. 1999.105N. Zhang. Hierarchical latent class models for cluster analysis. Journal of Machine Learning Research. 2004, 5(6): 697-723.106M. Steyvers, T Griffiths. Probabilistic topic models. T. Landauer, D McNamara, S. Dennis, et a

56、l. (Eds.), Handbook of Latent Semantic Analysis. Hillsdale, NJ: Erlbaum. 2007, 427-448.107T. Hofmann. Probabilistic latent semantic analysis. Proceedings of the 15th Conference on Uncertainty in Artificial Intelligence. 1999, 289-296.108T. Hofmann. Probabilistic Latent Semantic Indexing. Proceedings

57、 of the 22nd Annual International SIGIR Conference on research and development in information retrieval. 1999, 50-57.109T. Hofmann. Unsupervised learning by probabilistic latent semantic analysis. Machine Learning Journal. 2001, 42(1): 177-196.110D. Blei, A. Ng, M. Jordan. Latent Dirichlet allocatio

58、n. Journal of Machine Learning Research. 2003, 3: 993-1022.第三十七张，PPT共三十九页，创作于2022年6月参考文献111冯奇, 周雪忠, 黄厚宽, 张小平. SHP-VI:一种基于最短哈密顿通路的POMDP 值迭代算法.计算机研究与发展, 48(7): 1301-1309, 2011. 112Feng Qi, Zhou Xuezhong, Huang Houkuan, Yu Jian, Zhang Yin, Tong Xiaolin, Zhang Runshun,Wang Yinghui, Liu Baoyan. A MDP Sol

59、ution for Traditional Chinese Medicine Treatment Planning. In the 3rd International Conference on BioMedical Engineering and Informatics (BMEI10), 6: 2250-2254, 2010.113冯奇, 周雪忠, 黄厚宽, 张小平. POMDP 基于点的值迭代算法中一种信念点选择方法. 北京交通大学学报, 33(5):77-80, 2009.114Feng Qi, Zhou Xuezhong, Huang Houkuan, Zhang Xiaoping. An Uncertainty-based Belief Selection Method for POMDP Value Iteration. In the 10th European Conference on Symbolic and Quantitative Approaches to R