论文部分内容阅读
本课题从理论和实验研究中医辨证模型,采用基于人工神经网络的多标记分类算法对临床数据进行建模。探索大数据机器学习,研究中医智能辨证的新方法。目的中医智能辨证的研究不断地发展,一套成熟辨证体系的建立往往需要经过大量的计算机计算和反复人工干预才能完成,对于不断发展更新的中医理论和实践,寻找一种具备自动更新的智能辨证系统才能适应不断发展变化的新环境。方法采用"中医证素辨证系统"做为病例采集工具,临床收集的1146例病例做为实验数据,随机分为2组,其中训练组764例,测试组384例。采集的每一例数据包括病症、证素和证型三部分信息。采用基于神经网络的多标记分类算法进行机器学习,并对训练后的模型进行测试。实验分三部分进行,第一部分实验症状预测证素,第二部分实验证素预测证型,第三部分实验症状预测证型。每一部分实验分别对隐藏神经元参数、输入输出激活函数进行调整测试,得出最佳的模型。结果症状预测证素的实验结果:平均精度为0.79,覆盖率为8.18,1-错误率为0.18,汉明损失为0.94,排序损失为0.05;证素预测证型的实验结果:平均精度为0.38,覆盖率为87.05,1-错误率为0.68,汉明损失为1.00,排序损失为0.12;症状预测证型的实验结果:平均精度为0.25,覆盖率为98.48,1-错误率为0.84,汉明损失为1.00,排序损失为0.15。结论1.采用基于人工神经网络多标记分类算法来实现中医辨证的机器学习,在数据量较少的情况下,症状预测证素的实验中平均精度达到0.79,比预期的结果好,在未来有大数据支撑的情况下,再开展机器学习,将有可能会大大提升实验结果,由此可以得出基于人工神经网络的多标记分类算法做为一种中医辨证的机器学习算法值得肯定。2.本次实验中症状预测证型和证素预测证型结果都比较差,经过分析实验数据,可以得出机器学习一方面需要比较大量的数据,另一方面数据集的分布需要比较均衡,以保证机器学习的训练充分有效,只有在这样的条件下进行机器学习才有可能达到我们临床实践的要求。