王忠策 孙亨通 任海铭 刘洋

摘  要：随着人们对于健康越来越关注，成熟的中医师资源相对稀少。基于互联网、大数据资源和阴阳五行理论开发的网络化智能诊疗系统，具有解决此类问题的先天优势，是对传统中医诊治模式的继承和发展。传统中医理论及其经验体系的形成过程具有大数据应用的典型特征。本文给出了结合五行配伍原理及大数据智能诊疗系统平台规划与设计的一般思路，希望对智慧中医的发展有所补益。

关键词：五行配伍  知识图谱  中医诊断推理  远程智能诊疗

中图分类号：TP18                             文献标识码：A                    文章编号：1674-098X（2020）10（c）-0101-04

Abstract： As people pay more and more attention to health， the resources of mature TCM （Traditional Chinese Medicine） doctors are relatively scarce. Based on the Internet， big data resources and the theory of Yin Yang and five elements， the networked intelligent diagnosis and treatment system has inherent advantages to solve such problems， and is the inheritance and development of traditional Chinese medicine diagnosis and treatment mode. The formation process of traditional Chinese medicine theory and experience system has the typical characteristics of big data application. This paper gives the general idea of the planning and design of big data intelligent diagnosis and treatment system platform combined with the principle of five elements compatibility， hoping to contribute to the development of intelligent traditional Chinese medicine.

Key Words： Five elements compatibility; Knowledge map; TCM diagnosis reasoning; Remote intelligent diagnosis and treatment

提及中國及其他国家的亚健康人群状况，传统中医理论中“治未病”的特点成为在针对亚健康诊治方面有独特优势;对于健康越来越重视的人们来说，成熟的中医师资源稀少，经济上对自身健康管理投入过大大，限制了大部分人们对自身健康的保护。基于互联网、大数据资源和阴阳五行理论开发的网络化智能诊疗系统，具有解决此类问题的先天优势，是对传统中医诊治模式的继承和发展。

1  传统中医五行配伍基本理论

众所周知，方剂的功效作用差别，由方剂的配伍组成决定。方剂的配伍研究，关键是阐明方剂组织结构。然而在配伍过程中，各种中医理论及临床经验均将结合自身特色渗透其中，所以影响方剂结构的因素是复杂的。五行学说作为中医基础理论的一个典型组成部分，在较大程度上支配了不少成方的药物配伍。全国中医院校使用的方剂教科书，常用方剂中包含五行配伍内容者，约有1/3[1]。

1.1 五行配伍的基本原则与配伍要点

1.1.1 配伍原则举例

《难经六十九难》说：“虚则补其母，实则泻其子。”一直以来被奉为五行配伍的原则，用以指导对相生病变的调治;《素问五运行大论》“气有余，则制己所胜而悔所不胜;其不及，则己所不胜侮而乘之，己所胜轻而侮之”的论述，结合五行分属五脏思想，揭示相克病变传递方向，指出调治相克病变基本路径，即需抑制太过之强与扶助不及之弱。因此，把太过抑强、不及扶弱，虚则补母，实则泻子，确立为五行配伍的基本原则。

1.1.2 配伍要点

（1）配伍要基于内脏五行病变一般特征，才能对症施药;

（2）配伍要基于药物的五行属性，才能选药准确;

（3）配伍要基于药物对脏腑的补泻作用，才能确保虚实用药得当。

1.2 五行配伍的主要方法举例

补土生金配伍法：适应于土不生金的病症。在成方结构中，其法有三：一为补脾气以生肺气，如参苓白术散（《和剂局方》），选大队以补脾益气，仅用一味引经入肺之桔梗，配合以成方，常用之治肺气不足证。二为同补脾肺二气，重点在脾。如补中益气汤，人参、白术与黄耆相伍，黄耆固肺，参术健脾。三对脾肺二脏，补气在脾，养阴在肺。如清燥救肺汤（《医门法律》），人参、甘草与麦冬相配，柯琴说：“……麦冬禀西方之色，多液而甘寒，培肺金……。土为金母，子病则母虚，用甘草调补中宫生气之源，二金有持。……提其肺者，人参之甘以益气”。

此方法以五行相生相克理论为基础，是结合药性进行组方的典范。在计算机环境下进行五行生克模拟，并根据反映症状的脏腑盛衰模拟及配合调理效果预演，结合选药规律进行方剂生成。

2  基于五行配伍理论的中医专家推理机制计算机模拟

2.1 五行生克推理模型构建

以下是根据五行生克规律及施药影响机制用Python语言实现的五行生克中医推理模型，如图1所示。

2.2 中医诊断推理知识库构建

2.2.1 中医知识抽取

知识抽取主要针对面向开放的链接数据，采用典型数据挖掘技术（如构造频繁项集等），在语义级上处理中医领域自然语言文本或多媒体形式内容资料等，构造典型中医元知识（可能需要配合人工确认），产生针对不同级别（描述范围）的关联项。抽取出置信度高的知识单元，形成一系列高质量事实表达，知识单元主要包括实体、关系以及属性3个知识要素，为后续模式层构建奠定基础。

（1）中医实体抽取。

实体抽取是从中医原始数据语料库中自动识别出命名实体。实体作为知识图谱中的基本元素，其抽取完整性、识别准确率及召回率等将直接影响到知识图谱构建质量。

由于中医典型知识主要以经典书籍和专家经验为载体，描述结构或所用词汇相对固定，所以主要以基于规则与词典方法、基于统计机器学习方法为主，可通过CNN+ LSTM +CRF进行实体识别以提高实体识别的准确性。

（2）中医语义类抽取。

语义类抽取是指从文本中自动抽取信息来构造语义类并建立实体和语义类的关联， 作为对实体层面上的规整和抽象。根据构造频繁项集内或之间各元素的关系，可以作为有一种语义类抽取行之有效的方法，根据频繁项集内各元素和不同频繁项集间通过频繁项属性建立的直接和间接关系，配合采用BiLSTM+CRF网络结构。

（3）中医属性和属性值抽取。

为每个本体语义类构造属性列表是属性提取的任务，为一个语义类的实体附加属性值即为属性值提取，可以采用CNN +LSTM+CRF模式（属性在特定语境下也可能作为特定实体存在）。属性和属性值的抽取能够形成完整实体概念的知识图谱不同维度，丰富实体内涵。

（4）中医关系抽取。

关系抽取的目标是实现实体语义链接问题解决。关系的基本信息包括属性取值类型、满足此关系的元组模式等，实体间关系识别较经典算法有Piece –Wise -CNN和LSTM+ Attention。

2.2.2 中医知识表示

在知识表示的传统方法中，用来符号性描述实体之间的关系主要以RDF（Resource Description Framework资源描述框架）的三元组SPO（subject， predicate，object）来实现。但是其在数据稀疏性、计算效率等方面存在诸多问题。

近年来，以深度学习为核心的学习技术进展迅速，基于深度卷积神经网络的特征抽取功能，实现在较低维度计算中医实体、关系、及语义关联，实际上涉及到对神经网络黑箱的解读。中医知识表示的相对成熟，对中医知识库的构建、推理应用均具有重要意义。

此外，鉴于脉冲神经网络具有与大脑神经元最为接近的工作模式，知识表示的发展方向应该从功能仿脑到结构仿脑过渡，通过脉冲神经元工作的磁场效应机制研究，为知识表示方式尤其是后续知识推理、应用方式的变革提供了新的可能。

2.2.3 中医知识融合

借助知识提取，实现从非结构化和半结构化数据中获取实体、关系以及实体属性信息的目标。但是由于知识来源形式多样，知识质量良莠不齐、来自不同数据源的知识重复、层次结构缺失等问题，要应用大数据领域数据分析技术，融合与精炼知识。

（1）实体对齐。

实体对齐主要是用于消除异构数据中实体冲突及如指向不明等不一致性问题，具体可采用属性相似度计算技术（可以使用编辑距离、集合相似度计算和基于向量的相似度计算。）和实体相似度计算技术（聚合（加权平均、手动制定规则、分类器等）;聚类（层次聚类、相关性聚类、Canopy + K-means）;表示学习等），可以从顶层创建具有全域一致性的统一知识库，形成全局统一的语义背景，从而帮助机器理解多源异质的数据，以形成高质量的知识。

（2）知识加工。

通过中医实体对齐，可以得到一系列的基本事实表达或初步的本体雏形，然而事实并不等价于知识，它只是知识的基本单位，知识包括知识点及知识点间的多维度联系。要形成高质量的知识，还需要经过知识加工的过程，从层次上形成一个统一的大规模的中医知识体系。

（3）知识更新

具体业务需求、人类认知能力、知识储备都会随时间不断递增。中医知识库的构建也是一个不断迭代过程，因此，需要将中医实践经验在本系统中不断迭代更新，扩展现有知识，增加新知识。

2.2.4 中医知识推理

中医理论经过几千年的沉淀，已经形成较为典型的辩证施治推理模型，基于五行配伍组方推理就是一典型应用，结合知识图谱技术，可实现对这一相关中医辨证诊疗思想在知识图谱中的复现。

根据上述中医知识图谱一般实现步骤，进行中医诊断推理知识模型构建，如图2所示。

包括：

（1）五行配伍智能组方推理整体模型，其在推理知识库中具有主动特征。

（2）中医知识图谱

构建中医知识图谱相当于成熟中医师的经验沉淀，是一个不断完善的过程。以知识图谱构建的技术体系为载体，将成熟中医师的结构化和非结构化经验整合成中医知识及药材知识库，以服务于具体诊断过程中的知识推理过程，其在推理知识库中具有被动特征。

3  基于大数据技术的经验积累优势，不断丰富中医专家推理计算机模拟成熟度

中医知识图谱的建立与丰富过程，即是大数据技术在中医药领域的应用过程，应用大数据技术不断积累和提炼中医基本经验知识，解析成中医推理知识库兼容形式，丰富中医专家推理计算机模拟背景材料。[4]

4  结合互联网的互联互通优势，实现对求医者的远程诊疗或辅助诊断，发挥其社会价值

借助于互联网优势，将基于五行配伍原理及大数据智能诊疗系统对远程诊断者进行诊疗，如图3所示，给出理疗方案、运动方案、饮食方案、产品建议等

5  结语

本文基于中医传统理论为基础，借助于大数据技术，构建中医知识图谱，不断完善中医推理模型，提出五行配伍原理及大数据智能诊疗系统平台规划与设计方案，考虑医疗系统准入标准，本系统可作为亚健康人群的“治未病”参考和成长型中医师处方助理，是很有参考价值的。

参考文献

[1] 裴建.以中医药信息化建设“智慧中医”[N].联合时报，2020-04-14（7）.

[2] 潘玉颖，崔伟锋，范军铭.中医药大数据应用核心问题探究[J].中医学报， 2020， 35 （5） ：928-930.

[3] 饶子昀，张毅，刘俊涛，曹万华.应用知识图谱的推荐方法与系统[J/OL].自动化学报：1–17[2020-07-14].https：//doi.org/10.16383/j.aas.c200128.

[4] 王勇.明清时期“援易入医”之探微[D].山东中医药大学，2018.

[5] 张艺然，李强，朱佳卿，王松.基于SWOT分析的中醫药信息标准化发展战略与思考[J].中国医药导报，2020，17（17）：149-152+157.

[6] 孙静，刘继芬，李晓东，肖勇，李金芳.基层医疗卫生机构中医药信息化建设实践与思考[J].医学信息学杂志，2020，41（1）：55-58+66.

[7] 孙静，刘继芬，李晓东，肖勇，李金芳.基层医疗卫生机构中医药信息化建设实践与思考[J].医学信息学杂志，2020，41（1）：55-58+66.