• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于人工智能的中醫(yī)經(jīng)驗傳承輔助診療

      2023-11-15 07:12:36唐廣發(fā)盧子忱許金森
      大科技 2023年47期
      關(guān)鍵詞:病型證候準(zhǔn)確率

      李 穎,唐廣發(fā),陳 立,盧子忱,許金森

      [1.東莞中科云計算研究院,廣東 東莞 523000;2.臉萌技術(shù)(深圳)有限公司,廣東 深圳 518000;3.福建省中醫(yī)藥科學(xué)院,福建 福州 350000]

      0 引言

      中醫(yī)學(xué)是我國歷代傳承并創(chuàng)新發(fā)展的原創(chuàng)性醫(yī)學(xué)理論體系。中醫(yī)的診療過程主要包括四診、辨證分析、制定和調(diào)整治療方案、鞏固療效4 個步驟。醫(yī)生先根據(jù)望診、聞診、問診、切診所得的信息,結(jié)合患者的具體情況進(jìn)行辨證分析,確定疾病的病因、病機(jī)、病位等。醫(yī)生根據(jù)辨證分析的結(jié)果,制定針對性的治療方案,包括藥物治療、針灸治療、推拿治療、拔火罐治療、正骨治療等。辨證論治這種模糊的、經(jīng)驗型的思辨模式,造成中醫(yī)學(xué)的傳承難以批量、標(biāo)準(zhǔn)化地進(jìn)行。因此,需要將傳統(tǒng)的中醫(yī)理論和方法與現(xiàn)代科學(xué)技術(shù)相結(jié)合。

      人工智能是一種研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的一門新的技術(shù)科學(xué)。人工智能包括自然語言處理、圖像識別與計算機(jī)視覺等多種技術(shù),應(yīng)用范圍非常廣泛。人工智能技術(shù)在醫(yī)學(xué)影像診斷、疾病監(jiān)測和藥物研發(fā)取得了較大進(jìn)展,提高了醫(yī)療水平和效率[1-2]。在中醫(yī)藥領(lǐng)域[3],人工智能的應(yīng)用主要體現(xiàn)在數(shù)據(jù)挖掘與分析、智能診療和醫(yī)學(xué)影像智能識別等方面。表示學(xué)習(xí)作為一種新興的人工智能方法,其目的是從原始數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)的表示方式,以便于后續(xù)的分類、聚類、回歸等任務(wù)的完成[4]。表示學(xué)習(xí)在從海量數(shù)據(jù)中提取有用信息、促進(jìn)中醫(yī)證候的量化與標(biāo)準(zhǔn)化方面具有巨大潛力。

      中醫(yī)證候?qū)W是中醫(yī)學(xué)的重要組成部分,它涉及對疾病癥狀的觀察、分析和診斷。為了使中醫(yī)的診斷和治療更加科學(xué)、客觀、準(zhǔn)確,證候的量化是重要內(nèi)容。鄭淑美等[5]提出條件概率指數(shù)轉(zhuǎn)化法,通過統(tǒng)計已知某病(或證)存在,某癥狀出現(xiàn)的條件概率,計算該癥狀的量化值。梁茂新等[6]提出主觀離散賦分法,通過各癥狀按顯著程度記分的總和,計算該病癥的總體癥狀水平積分值。余江維等[7]通過TFIDF 相對熵函數(shù)進(jìn)行癥狀信息的量化。

      中醫(yī)證候的表示學(xué)習(xí)涉及利用無監(jiān)督學(xué)習(xí)或監(jiān)督學(xué)習(xí)等技術(shù),將中醫(yī)證候的描述性語言轉(zhuǎn)化為計算機(jī)可理解的向量表示。將表示學(xué)習(xí)應(yīng)用于中醫(yī)證候?qū)W,可以幫助我們從大量的中醫(yī)證候數(shù)據(jù)中學(xué)習(xí)到更準(zhǔn)確、更有效的表示方式,提高中醫(yī)證候的分類和診斷精度。

      本文利用人工智能技術(shù),將中醫(yī)證候的描述性語言轉(zhuǎn)化為計算機(jī)可理解的向量表示,以便于進(jìn)行機(jī)器學(xué)習(xí)和數(shù)據(jù)分析,提高研究的準(zhǔn)確性和效率。

      1 中醫(yī)經(jīng)驗傳承輔助診療系統(tǒng)

      本文的中醫(yī)經(jīng)驗傳承輔助診療系統(tǒng)(圖1)主要包括在線癥狀輸入、癥狀表示、癥狀推薦和輔助論治4 個模塊。

      圖1 基于人工智能的中醫(yī)經(jīng)驗傳承輔助診療系統(tǒng)

      在線癥狀輸入模塊輸入用戶的當(dāng)前癥狀;癥狀提取與表示模塊構(gòu)建癥狀病例數(shù)據(jù)集;問診提示模塊計算與輸入癥狀相關(guān)聯(lián)的前k 個癥狀;輔助論治模塊輸出根據(jù)推薦的病型和治療方案。

      1.1 癥狀表示

      原始病例數(shù)據(jù)是描述患者信息的自然語言文本,而基于人工智能的中醫(yī)經(jīng)驗傳承輔助診療系統(tǒng)的數(shù)據(jù)處理需使用癥狀向量,因此,需要對病例數(shù)據(jù)進(jìn)行癥狀提取與表示操作。

      本文提出了一種使用高維向量表示癥狀作為輔助論治的輸入,預(yù)測病型和治療方案的模型。該模型將主訴、現(xiàn)病史中的癥狀文本轉(zhuǎn)換為高維向量,并將這些向量作為輸入,用于預(yù)測病型和治療方案,連續(xù)詞袋模型架構(gòu)如圖2 所示。

      圖2 連續(xù)詞袋模型架構(gòu)

      連續(xù)詞袋模型的架構(gòu)包括輸入層、隱藏層和輸出層。在輸入層A,對于給定一個詞的上下文(即窗口內(nèi)的其他詞),連續(xù)詞袋模型會接收這些上下文詞作為輸入,并將它們映射到神經(jīng)網(wǎng)絡(luò)的隱藏層。在隱藏層B,上下文詞會被處理成一個固定長度的向量,這個向量的長度和訓(xùn)練樣本的數(shù)量有關(guān)。在輸出層,連續(xù)詞袋模型會計算出目標(biāo)詞的概率分布。

      連續(xù)詞袋模型的訓(xùn)練過程是基于重構(gòu)語言的詞袋模型假設(shè)進(jìn)行的,它假設(shè)詞的順序是不重要的。在訓(xùn)練過程中,神經(jīng)網(wǎng)絡(luò)需要重新構(gòu)造輸入的上下文詞,以便學(xué)習(xí)上下文詞和目標(biāo)詞之間的關(guān)系。具體來說,連續(xù)詞袋模型首先會將每個詞映射到一個固定長度的向量,然后將這些向量輸入神經(jīng)網(wǎng)絡(luò)中。神經(jīng)網(wǎng)絡(luò)會根據(jù)這些向量的值來預(yù)測目標(biāo)詞的概率分布。本文建立了將4個未來詞和4 個歷史詞的向量作為輸入的分類器,訓(xùn)練標(biāo)準(zhǔn)是正確預(yù)測當(dāng)前詞。

      在訓(xùn)練好連續(xù)詞袋模型后,可以使用該模型獲取每個癥狀詞語的向量表示,即詞向量。這些詞向量構(gòu)成了高維向量空間中的一組向量。對于主訴、現(xiàn)病史中的癥狀文本,可以將其中的每個癥狀詞語替換為其對應(yīng)的詞向量,從而將該文本轉(zhuǎn)換為高維向量的癥狀文本表示。

      1.2 癥狀推薦

      通過癥狀關(guān)聯(lián)度計算得到癥狀病例數(shù)據(jù)集的互信息矩陣后,新的在線輸入癥狀可利用該互信息矩陣計算當(dāng)前癥狀與數(shù)據(jù)集中其他癥狀的互信息值,最后選取前k 個互信息值高的癥狀作為當(dāng)前癥狀的推薦癥狀。

      1.3 輔助論治

      根據(jù)癥狀提取和表示的結(jié)果,從診療模型中得到初步的診斷結(jié)果和建議,供醫(yī)生參考。同時,模塊還可以根據(jù)醫(yī)案庫的歷史病例數(shù)據(jù),為醫(yī)生提供更加全面和客觀的診斷依據(jù)和治療方案。

      2 實驗

      2.1 實驗數(shù)據(jù)

      本文采用的病例數(shù)據(jù)來自某醫(yī)院臨床門診病例數(shù)據(jù)共2383 條,訓(xùn)練集數(shù)據(jù)1906 條,測試集數(shù)據(jù)477 條。

      2.2 實驗結(jié)果與分析

      首先,使用預(yù)處理過的主訴、現(xiàn)病史中的癥狀文本訓(xùn)練詞向量模型。其次,訓(xùn)練好詞向量模型后,用它來將主訴、現(xiàn)病史中的癥狀文本轉(zhuǎn)換為向量。最后,將轉(zhuǎn)換后的癥狀文本向量用于后續(xù)分類任務(wù),對主訴、現(xiàn)病史進(jìn)行分類,預(yù)測病型。其中,在計算距離時采用了余弦相似度,準(zhǔn)確率如表1 所示。

      表1 癥狀提取病型預(yù)測準(zhǔn)確率

      由表1 可知,隨著向量維度的增加,癥狀表示病型預(yù)測的準(zhǔn)確率呈現(xiàn)出一種波動上升的趨勢。當(dāng)向量維度為150 時,準(zhǔn)確率最高,達(dá)到了87%。然而,當(dāng)向量維度增加到200 時,準(zhǔn)確率下降到了85%。這表明在癥狀表示病型預(yù)測任務(wù)中,過高的向量維度并不一定能帶來準(zhǔn)確率的持續(xù)提升。癥狀表示病型預(yù)測的準(zhǔn)確率均優(yōu)于或與癥狀提取病型預(yù)測相同,這表明使用癥狀表示的方法進(jìn)行分類,預(yù)測病型更為有效。

      使用癥狀表示的方法按疾病分類病型預(yù)測準(zhǔn)確率如表2 所示。

      表2 疾病分類病型預(yù)測準(zhǔn)確率

      以上實驗結(jié)果反映的是模型在預(yù)測給定疾病類型的病例時的準(zhǔn)確性。在測試病例數(shù)較多的疾病中,郁證、癌、咳嗽、消渴、痹癥的準(zhǔn)確率為80%以上,表現(xiàn)出良好的性能。相比之下,一些疾病的準(zhǔn)確率較低,如不寐、心悸、眩暈、少陽病、癭瘤,需要在未來的研究中進(jìn)一步改進(jìn)和優(yōu)化。胸痹、乳癖、頭痛、口瘡、月經(jīng)病、心悸的測試病例數(shù)較少(少于10 例),可能存在數(shù)據(jù)偏倚或統(tǒng)計誤差,需要更多的數(shù)據(jù)來驗證其準(zhǔn)確率。

      3 結(jié)論

      本文主要研究了從臨床病例數(shù)據(jù)的癥狀提取和表示到輔助論治的病型預(yù)測,實驗結(jié)果表明本文方法可有效的對當(dāng)前癥狀進(jìn)行提取和表示,可在醫(yī)生論治過程中給予輔助,減輕年輕醫(yī)生辯證論治或?qū)W生在學(xué)習(xí)過程中經(jīng)驗不足導(dǎo)致的困難。后續(xù)工作中可不斷補(bǔ)充完善病例數(shù)據(jù)庫資源,進(jìn)一步提高算法的穩(wěn)定性和可靠性。

      猜你喜歡
      病型證候準(zhǔn)確率
      肥胖中醫(yī)證候動物模型研究進(jìn)展
      家禽霉菌毒素中毒的病型分析和防治措施
      乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
      健康之家(2021年19期)2021-05-23 11:17:39
      不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
      2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
      高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
      復(fù)方甘草酸苷注射液結(jié)合阿維A膠囊治療紅皮病型銀屑病療效及不良反應(yīng)觀察
      桑疫病的發(fā)生及防治
      昆明地區(qū)兒童OSAHS中醫(yī)證候聚類分析
      三味紅藥合十味乳香涂劑治療紅皮病型銀屑病30例臨床療效觀察
      黔南| 南京市| 隆尧县| 山阴县| 翁源县| 当雄县| 忻州市| 诸暨市| 三台县| 大田县| 禹州市| 福清市| 湖南省| 盐源县| 临朐县| 太和县| 丰原市| 漠河县| 水富县| 奉贤区| 黑水县| 锡林浩特市| 东乡族自治县| 马鞍山市| 齐齐哈尔市| 尼勒克县| 西充县| 吉隆县| 郴州市| 长海县| 金堂县| 河北省| 乌拉特前旗| 那曲县| 安国市| 疏勒县| 济阳县| 大港区| 黔西县| 乌拉特后旗| 尤溪县|