本發(fā)明涉及決策診斷，特別是一種中醫(yī)方劑診斷決策方法及系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)的快速發(fā)展，中醫(yī)診斷決策智能化已成為醫(yī)療領(lǐng)域的重要研究方向。傳統(tǒng)中醫(yī)方劑決策主要依賴醫(yī)生的個(gè)人經(jīng)驗(yàn)和知識積累，這種方式雖然符合中醫(yī)"辨證論治"的基本原則，但在處理復(fù)雜癥狀組合、環(huán)境因素影響以及動態(tài)變化特征等方面存在一定局限性。近年來，深度學(xué)習(xí)技術(shù)在醫(yī)療診斷領(lǐng)域取得了顯著進(jìn)展，研究人員開始嘗試將循環(huán)神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制等先進(jìn)算法應(yīng)用于中醫(yī)診斷系統(tǒng)中?，F(xiàn)有的中醫(yī)智能診斷系統(tǒng)主要采用基于規(guī)則的專家系統(tǒng)或簡單的機(jī)器學(xué)習(xí)模型，這些系統(tǒng)在癥狀特征提取、時(shí)序信息處理和多模態(tài)數(shù)據(jù)融合等方面仍存在明顯不足。特別是在處理非結(jié)構(gòu)化的癥狀描述文本時(shí)，難以充分利用癥狀之間的語義關(guān)聯(lián)和時(shí)序演變規(guī)律；在考慮地理環(huán)境和氣候因素對證候判斷的影響時(shí)，缺乏有效的特征融合機(jī)制；在進(jìn)行方劑匹配時(shí)，往往忽視了證候表現(xiàn)的動態(tài)變化特征。

2、傳統(tǒng)的中醫(yī)診斷方法在面對大量病例數(shù)據(jù)時(shí)效率較低，且診斷結(jié)果的客觀性和可重復(fù)性有待提高。目前的智能診斷系統(tǒng)在癥狀特征表示方面主要采用簡單的關(guān)鍵詞匹配或詞袋模型，無法有效捕獲癥狀描述中的深層語義信息；在環(huán)境因素建模方面，大多采用簡單的特征拼接或加權(quán)平均方式，未能充分考慮不同環(huán)境因素之間的交互作用；在方劑決策方面，缺乏對癥狀演變過程的動態(tài)建模和多源異構(gòu)信息的協(xié)同融合機(jī)制。此外，現(xiàn)有系統(tǒng)在證候匹配過程中普遍采用傳統(tǒng)的相似度計(jì)算方法，難以處理證候表現(xiàn)的模糊性和多樣性特征，影響了方劑決策的準(zhǔn)確性和可靠性。

3、針對上述問題，本發(fā)明提供了一種基于深度學(xué)習(xí)的中醫(yī)方劑診斷決策方法，該方法屬于醫(yī)療人工智能技術(shù)領(lǐng)域。本發(fā)明通過構(gòu)建基于循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制的特征提取模型，結(jié)合改進(jìn)的證候匹配算法，實(shí)現(xiàn)了對癥狀描述文本、環(huán)境影響因素和證候特征的多模態(tài)融合，為中醫(yī)方劑決策提供了更加智能化和個(gè)性化的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實(shí)施例的一些方面以及簡要介紹一些較佳實(shí)施例。在本部分以及本技術(shù)的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

2、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

3、因此，本發(fā)明提供了一種中醫(yī)方劑診斷決策方法及系統(tǒng)，能夠解決背景技術(shù)中提到的問題。

4、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

5、第一方面，本發(fā)明提供了一種中醫(yī)方劑診斷決策方法，其包括，采集患者癥狀描述數(shù)據(jù)、地理位置數(shù)據(jù)及季節(jié)氣候數(shù)據(jù)，并對所述癥狀描述數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，生成癥狀特征向量；

6、利用循環(huán)神經(jīng)網(wǎng)絡(luò)對所述癥狀特征向量進(jìn)行時(shí)序分析，提取癥狀演變特征矩陣，同時(shí)基于所述地理位置數(shù)據(jù)和季節(jié)氣候數(shù)據(jù)計(jì)算環(huán)境影響權(quán)重，并對癥狀演變特征矩陣與環(huán)境影響權(quán)重向量進(jìn)行特征融合，得到綜合特征向量；

7、將所述綜合特征向量輸入預(yù)訓(xùn)練的bert模型，獲取語義特征向量，并通過改進(jìn)的余弦相似度算法計(jì)算證候匹配度；

8、根據(jù)所述癥狀演變向量、環(huán)境影響權(quán)重和證候匹配度計(jì)算方劑概率，輸出每個(gè)方劑的概率分布，得到方劑決策結(jié)果。

9、作為本發(fā)明所述中醫(yī)方劑診斷決策方法的一種優(yōu)選方案，其中：所述患者癥狀描述數(shù)據(jù)包括癥狀描述文本數(shù)據(jù)和癥狀關(guān)鍵詞；

10、所述地理位置數(shù)據(jù)經(jīng)度值和緯度值；

11、所述季節(jié)氣候數(shù)據(jù)包括溫度數(shù)據(jù)、濕度數(shù)據(jù)和氣壓數(shù)據(jù)；

12、所述生成癥狀特征向量包括，

13、接收患者輸入的癥狀描述文本，采用分詞技術(shù)對所述癥狀描述文本進(jìn)行分詞處理；

14、從所述分詞處理后的文本中提取癥狀關(guān)鍵詞，生成癥狀關(guān)鍵詞序列；

15、針對所述標(biāo)準(zhǔn)化匹配的癥狀關(guān)鍵詞，建立癥狀特征維度表，所述癥狀特征維度表包括預(yù)設(shè)數(shù)量的癥狀特征位；

16、將所述標(biāo)準(zhǔn)化匹配的癥狀關(guān)鍵詞映射至所述癥狀特征維度表，在出現(xiàn)癥狀的特征位置標(biāo)記為1，未出現(xiàn)癥狀的特征位置標(biāo)記為0；

17、將標(biāo)記后的所述癥狀特征維度表轉(zhuǎn)換為二值化特征向量，生成癥狀特征向量。

18、作為本發(fā)明所述中醫(yī)方劑診斷決策方法的一種優(yōu)選方案，其中：所述提取癥狀演變特征矩陣包括，

19、將所述癥狀特征向量按照采集時(shí)間的先后順序排列構(gòu)建時(shí)序特征序列，采用固定長度為n的滑動時(shí)間窗口對所述時(shí)序特征序列進(jìn)行分段，其中每個(gè)所述時(shí)間窗口內(nèi)按時(shí)間順序包含n個(gè)連續(xù)的所述癥狀特征向量，通過所述滑動時(shí)間窗口在所述時(shí)序特征序列上依次移動并提取特征，生成訓(xùn)練樣本集；

20、構(gòu)建包含t個(gè)隱藏單元的雙向門控循環(huán)單元網(wǎng)絡(luò)，所述雙向門控循環(huán)單元網(wǎng)絡(luò)的計(jì)算公式如下：

21、

22、其中，表示t時(shí)刻的正向隱藏狀態(tài)，表示t時(shí)刻的反向隱藏狀態(tài)，ht表示t時(shí)刻的完整隱藏狀態(tài)；

23、將所述訓(xùn)練樣本集輸入所述雙向門控循環(huán)單元網(wǎng)絡(luò)，單個(gè)隱藏單元維度為m，完整隱藏狀態(tài)維度為2m，對每個(gè)長度為n的訓(xùn)練樣本，產(chǎn)生n個(gè)時(shí)刻的隱藏狀態(tài)，得到維度為n×2m的特征表示矩陣hn×2m，計(jì)算公式如下：

24、hn×2m＝[h1；h2；...；hn]；

25、其中，hn×2m表示最終的特征表示矩陣，n表示時(shí)間窗口長度，即輸入序列的長度，表示每個(gè)時(shí)刻的完整隱藏狀態(tài)維度，hn表示第n個(gè)時(shí)刻的完整隱藏狀態(tài)向量；

26、對特征表示矩陣進(jìn)行維度轉(zhuǎn)換，獲得維度為p×q的癥狀演變特征矩陣，計(jì)算公式如下：

27、featurep×q＝transform(hn×2m)；

28、其中，featurep×q表示維度為p×q的癥狀演變特征矩陣。

29、作為本發(fā)明所述中醫(yī)方劑診斷決策方法的一種優(yōu)選方案，其中：所述計(jì)算環(huán)境影響權(quán)重包括，

30、對所述地理位置數(shù)據(jù)中的經(jīng)緯度信息和所述季節(jié)氣候數(shù)據(jù)中的溫度、濕度和氣壓數(shù)據(jù)進(jìn)行最大最小值標(biāo)準(zhǔn)化處理，得到環(huán)境特征值，所述最大最小值標(biāo)準(zhǔn)化處理用于將每個(gè)環(huán)境特征值映射到0到1的區(qū)間內(nèi)，所述最大最小值標(biāo)準(zhǔn)化處理采用當(dāng)前特征值減去該特征最小值后除以特征值范圍的計(jì)算方式，將所述最大最小值標(biāo)準(zhǔn)化處理后的所有環(huán)境特征值按照預(yù)設(shè)順序拼接，形成維度為d的環(huán)境特征向量；

31、構(gòu)建具有h個(gè)注意力頭的多頭注意力層，所述多頭注意力層對所述維度為d的環(huán)境特征向量進(jìn)行線性變換得到查詢向量、鍵向量和值向量；

32、通過所述查詢向量與所述鍵向量進(jìn)行點(diǎn)積運(yùn)算，得到初始得分，對所述初始得分進(jìn)行歸一化處理，獲得各環(huán)境因素對應(yīng)的注意力得分；

33、利用softmax歸一化函數(shù)處理所述注意力得分，所述softmax歸一化函數(shù)將所述注意力得分轉(zhuǎn)換為和為1的概率分布，將所述概率分布作為權(quán)重系數(shù)與維度為d的環(huán)境特征向量進(jìn)行加權(quán)求和運(yùn)算，得到維度為d的環(huán)境影響權(quán)重向量，計(jì)算公式如下：

34、

35、其中，c表示環(huán)境影響權(quán)重向量，n1表示環(huán)境特征向量的數(shù)量，表示求和運(yùn)算的索引，i和j分別表示特征向量的索引，si和sj表示對應(yīng)特征向量的注意力初始得分，d表示特征維度大小，exp()表示以自然常數(shù)e為底的指數(shù)函數(shù)，hi表示第i個(gè)維度為d的環(huán)境特征向量；

36、采用殘差連接結(jié)構(gòu)將所述癥狀演變特征矩陣與所述環(huán)境影響權(quán)重向量進(jìn)行特征融合；

37、所述特征融合包括，

38、通過線性投影層將所述環(huán)境影響權(quán)重向量從維度k映射至維度p×q，使所述環(huán)境影響權(quán)重向量與所述癥狀演變特征矩陣的維度匹配；

39、通過所述殘差連接結(jié)構(gòu)保持原始特征信息，并對融合后的特征進(jìn)行層歸一化處理，生成維度為p×q的綜合特征向量，所述綜合特征向量包括癥狀演變信息和環(huán)境影響信息。

40、作為本發(fā)明所述中醫(yī)方劑診斷決策方法的一種優(yōu)選方案，其中：所述獲取語義特征向量包括，

41、將所述綜合特征向量按n-gram方式構(gòu)建多粒度特征單元，所述多粒度特征單元包含單字、雙字和三字組合；

42、將所述多粒度特征單元送入所述預(yù)訓(xùn)練bert模型的詞嵌入層，生成多粒度語義向量；

43、構(gòu)建自適應(yīng)融合注意力層，對所述多粒度語義向量分配不同注意力權(quán)重，所述注意力權(quán)重隨輸入特征動態(tài)調(diào)整；

44、所述自適應(yīng)融合注意力層包括注意力權(quán)重計(jì)算單元和特征加權(quán)融合單元，分別計(jì)算對應(yīng)的注意力權(quán)重α1、α2和α3，所述注意力權(quán)重的計(jì)算公式為：

45、

46、其中，k表示特征類型，(k＝1、2、3)，αk表示第k個(gè)特征類型的注意力權(quán)重，wp為權(quán)重矩陣參數(shù)，bp為偏置參數(shù)，tanh為雙曲正切激活函數(shù)，vk表示第k個(gè)特征類型的語義向量；

47、所述特征加權(quán)融合單元將所述注意力權(quán)重與對應(yīng)的語義向量進(jìn)行加權(quán)計(jì)算，得到加權(quán)后的融合特征向量r：

48、

49、其中，⊙表示向量逐元素相乘操作，g(·)表示門控函數(shù)，用于調(diào)節(jié)特征信息流動；

50、基于所述自適應(yīng)融合注意力層輸出的融合向量提取文語義特征，生成語義特征向量。

51、作為本發(fā)明所述中醫(yī)方劑診斷決策方法的一種優(yōu)選方案，其中：所述通過改進(jìn)的余弦相似度算法計(jì)算證候匹配度包括，

52、從預(yù)設(shè)的中醫(yī)證候知識圖譜中提取證候節(jié)點(diǎn)表示，將所述證候節(jié)點(diǎn)表示和語義特征向量進(jìn)行l(wèi)2范數(shù)歸一化處理，計(jì)算公式如下：

53、

54、其中，p表示第p個(gè)證候節(jié)點(diǎn)，gp表示證候節(jié)點(diǎn)表示，||·||2表示l2范數(shù)，g′p表示歸一化證候節(jié)點(diǎn)表示向量，r′表示歸一化融合特征向量；

55、基于所述l2范數(shù)歸一化處理后的向量計(jì)算余弦相似度，并采用溫度系數(shù)控制相似度分布的平滑程度，得到所述證候匹配度，證候匹配度的計(jì)算公式為：

56、

57、其中，sp表示證候匹配度，τ表示溫度系數(shù)，τ＞0，e為證候節(jié)點(diǎn)總數(shù)，q為證候節(jié)點(diǎn)序號變量，gq′表示第q個(gè)證候節(jié)點(diǎn)的歸一化表示向量。

58、作為本發(fā)明所述中醫(yī)方劑診斷決策方法的一種優(yōu)選方案，其中：所述得到最終的方劑決策結(jié)果包括，

59、構(gòu)建基于加權(quán)圖注意力機(jī)制的特征融合網(wǎng)絡(luò)，所述特征融合網(wǎng)絡(luò)包含多頭注意力層；

60、將所述癥狀演變向量、環(huán)境影響權(quán)重和證候匹配度輸入所述特征融合網(wǎng)絡(luò)，生成融合特征向量；

61、對所述融合特征向量施加非線性變換，得到方劑特征映射矩陣；

62、基于所述方劑特征映射矩陣計(jì)算方劑概率分布，所述方劑概率分布反映各方劑的匹配程度；

63、選取所述方劑概率分布中概率值最高的方劑作為最終決策結(jié)果。

64、第二方面，本發(fā)明提供了一種中醫(yī)方劑診斷決策系統(tǒng)，其包括：數(shù)據(jù)采集模塊、特征向量提取模塊、證候匹配度計(jì)算模塊以及方劑決策模塊；

65、所述數(shù)據(jù)采集模塊用于采集患者癥狀描述數(shù)據(jù)、地理位置數(shù)據(jù)及季節(jié)氣候數(shù)據(jù)，并對所述癥狀描述數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，生成癥狀特征向量；

66、所述特征向量提取模塊用于利用循環(huán)神經(jīng)網(wǎng)絡(luò)對所述癥狀特征向量進(jìn)行時(shí)序分析，提取癥狀演變特征矩陣，同時(shí)基于所述地理位置數(shù)據(jù)和季節(jié)氣候數(shù)據(jù)計(jì)算環(huán)境影響權(quán)重，并對癥狀演變特征矩陣與環(huán)境影響權(quán)重向量進(jìn)行特征融合，得到綜合特征向量；

67、所述證候匹配度計(jì)算模塊用于將所述綜合特征向量輸入預(yù)訓(xùn)練的bert模型，獲取語義特征向量，并通過改進(jìn)的余弦相似度算法計(jì)算證候匹配度；

68、所述方劑決策模塊用于根據(jù)所述癥狀演變向量、環(huán)境影響權(quán)重和證候匹配度計(jì)算方劑概率，輸出每個(gè)方劑的概率分布，得到方劑決策結(jié)果。

69、第三方面，本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其中：所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)中醫(yī)方劑診斷決策方法的步驟。

70、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)中醫(yī)方劑診斷決策方法的步驟。

71、與現(xiàn)有技術(shù)相比，本發(fā)明有益效果為通過多源異構(gòu)數(shù)據(jù)的統(tǒng)一采集和標(biāo)準(zhǔn)化處理，實(shí)現(xiàn)了癥狀描述的結(jié)構(gòu)化表示，為特征提取奠定了堅(jiān)實(shí)基礎(chǔ)；采用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)序分析并結(jié)合多頭注意力機(jī)制處理環(huán)境數(shù)據(jù)，實(shí)現(xiàn)了癥狀動態(tài)演變特征與環(huán)境影響因素的深度融合；基于預(yù)訓(xùn)練bert模型的語義理解能力和改進(jìn)的余弦相似度算法，提升了證候匹配的準(zhǔn)確性和適應(yīng)性；最后通過加權(quán)圖注意力機(jī)制的特征融合網(wǎng)絡(luò)實(shí)現(xiàn)多維度特征的協(xié)同決策，輸出可解釋的概率化方劑推薦結(jié)果。這一系列技術(shù)創(chuàng)新不僅提高了診斷決策的準(zhǔn)確性和客觀性，還實(shí)現(xiàn)了中醫(yī)診療過程的標(biāo)準(zhǔn)化和智能化，為中醫(yī)臨床實(shí)踐提供了可靠的智能輔助決策支持，具有重要的實(shí)用價(jià)值和推廣意義。