基于贝叶斯网络的中医辨证研究

基于贝叶斯网络的中医辨证研究

中医中的“证”是对疾病各个过渡反应状态的逐步病理本质的概括。中医不取决于具体的“金指标”，不取决于局部处理，而是注重整体分析。换句话说，疾病是从各个方面全面诊断出来的。中医被称为症状和体征。中医辨证治疗的目的是明确病位和病性的辩证法元素，即症状素。不同综合征元素的组合可以概括为完整的综合征名诊断。在综合征和症状之间，存在着极其复杂的网络关系，形成了以证为核心的辩证体系。“辩证法”是根据中医理论，通过分析综合征（症状等），确定综合征（病理本质），然后进行综合征名诊断的思维和理解过程。贝叶斯网络(BayesianNetwork)又称为信念网络、概率网络或因果网络.它主要研究不确定性知识表达和推理的方法,被认为是近十年来人工智能领域中最重要的研究成果之一.它可以把概率推理和网络结构有效地结合起来,概率推理可以有效的利用统计知识,而网络结构可以把专家的知识表达出来.因贝叶斯网络提供了进行知识表达、解释、推理和预测等一个连贯的框架,已成功应用于故障诊断、数据挖掘、医疗诊断、目标识别、态势决策等人工智能领域,成为此领域的研究热点之一.贝叶斯网络的结构学习及推理原理与中医辨证的思维认知过程颇为近似,因此极其复杂、高度非线性的中医辨证系统,可用贝叶斯网络处理不确定性知识的方法进行描述.本文即运用贝叶斯网络技术,从数据中对症状与证素间关系、证素组合关系等进行计量分析和推理判断,以使中医辨证达到较为精确的量化、可检验的程度.1理论和方法1.1中医辨证能力一个贝叶斯网络包括了一个有向无环图(directedacyclcgraph,DAG)网络结构模型和与之相关的一组条件概率分布函数.中医辨证贝叶斯网络的结构学习,从完全潜在图出发,利用专家经验和先验知识,设定相关参数,有效地减少网络结构的搜索空间.为获得正确的输出,网络必须涵盖辨证的全部信息,为了获得良好的表示,每一个可能的依赖关系都必须进行考虑.中医辨证有六经辨证、八纲辨证、脏腑辨证等领域知识,中医专家的临床经验和大量可用的医案、病例,可用以确定先验概率.中医辨证体系设有恶寒、发热、头痛、自汗、头晕、食欲不振、大便干结、小便短黄、颧红、舌淡、苔腻、脉滑等916个证;,列出心、肝、脾、肺、肾、表、经络、气虚、血瘀、痰、火热等51项证素.由证素组成的证名如脾胃气虚证、肝胆湿热证、瘀滞心脉证、肝郁脾虚证等1700条,构成中医辨证贝叶斯网络的节点集.各个变量之间的关联强度用“权重(贡献度)”进行设定,如心悸—心50、阳虚20、阴虚20、气虚15、血虚15,从而确定症状与证素之间的因果关系,痰、热、肺3个证素,共同构成痰热壅肺证,初步建立起中医辨证数据库.然后以806个临床病例作为训练样本,将每个病例的症状、医生的证素辨识和证名诊断,输入计算机,由网络通过学习,形成中医辨证贝叶斯网络结构及概率表.1.2系统的推理验证利用建立的贝叶斯网络模型解决实际问题的过程称为贝叶斯网络推理,对贝叶斯网络中医辨证系统的推理验证,首先输入某例患者的病理信息,通过运算后绘制出该病例的辨证网络图和关系强度的局部概率分布表,并对证素组合成证名的关系进行阈值判别,然后将计算结果交中医专家进行分析,对贝叶斯网络算法用于证候—证素—证名间关系发现、证名判别的准确性作出评判.2实验分析2.1贝叶斯网络图中医专家评价指出,参照文献建立的肺阴虚证的贝叶斯网络图(图1),能很好地反映症状与证素之间的相关关系,准确区分出“面色晦暗”为无关症状,“久不欲食”为间接相关症状.2.2条件概率定量表达如表1所示,表中变量被赋值为1,表示该变量发生,如“潮热=1”;变量被赋值为0,表示该变量不发生,如“阴虚=0”.每一变量与其他变量的相关关系,可用表1中的条件概率定量表达出来.如当发生“舌少苔”和“阴虚”时,出现“脉细”的概率很高,p=0.8222.当不发生“舌少苔”而且不属“阴虚”时,出现“脉细”的概率很低,p=0.2073.而“面色晦暗”与其他变量不直接相关,其发生概率非常低,p=0.004132.中医专家意见表明运算结论可信.2.3肺阴虚证的推理与评价如表2所示,其中激活要素:肺,阴虚.激活证名:肺阴亏虚证.计算结果交中医专家分析表明:贝叶斯网络判别与临床辨证完全吻合.3不确定信息的处理将贝叶斯网络技术与中医辨证知识相结合,构建起中医辨证贝叶斯网络模型,将具有整体性、动态性、复杂性、模糊性等特点的中医辩证理论变成较易理解的图形与数据;利用多源信息,有机融合中医专家的先验知识和后验数据,有效地处理了中医辩证中存在着的不确定信息;采用全局的观点,也符合中医从整体上进行辩证的思维原则.其推理判断结果与中医专家经验有很高的吻合性.贝叶斯网络是基于频率的算法,当某些症状、证素、证名出现频率很低时,为减少计算量,变量筛选势必将其舍弃,使得网络无法正确反映证候的辨证意义.临床的症状一般都有轻、中、重之分,其辨证价值亦有差别,但贝叶斯网络对每个变量只有“出现”和“不出现”两种状态,难以全