论文部分内容阅读
疾病诊断是医学研究与临床的基本问题,不同于现代医学的疾病诊断体系,中医学的诊断以证候为基础,在此基础上,形成辨证论治的个体化临床诊疗模式。以症状体征为主的表型信息是证候诊断的主要依据,发现中西医诊断表型依据的异同,探索病证结合的疾病分型,建立中医证候诊断的分类体系对中医临床诊断及其基础研究具有重要价值。本文通过整合中西医相关的临床与基础数据,进行了中西医诊断的表型特征异同分析,在此基础上结合特定慢性疾病(肝病)分别进行病证结合的疾病分型和基于机器学习的中医证候诊断方法研究,由此探索中医诊断表型的规律和自动分类方法,为中医辅助诊断研究提供基础,具体而言,本文的主要工作如下:首先,针对中西医诊断的表型异同鉴别问题,本文在国家诊断标准及PubMed文献数据基础上,分别构建了基于症状的中医证候和西医疾病诊断相似性网络。通过多种网络拓扑特征的比较分析发现,中医证候网络的度和介数都比西医疾病网络大,提示中医证候诊断之间的混淆度较大,存在表型内涵及其机理多样化程度高的特点;且社团内部的同质性偏低,突显了中医证候的多维度特性。而同配性是中西医诊断网络的共性,提示医学诊断共有的表型异质性特点。其次,针对基于病证结合的疾病分型研究问题,通过集成和处理湖北省中医院的6475例住院肝病数据,以电子病历中的症状体征为主要特征,构建了以病人为节点的相似性网络,此后通过采用网络社团划分和统计检验方法如卡方检验、RR值等发现特定的人群亚型及特异性的疾病、中药、证候等临床表征。研究发现,在获得的303亚型中,前6个较大人群亚型和3个中等大小人群亚型展现了一致性的临床表征及其分子网络特征,验证了病证结合疾病分型研究的可行性和临床价值。最后,针对中医证候的诊断问题,分别基于单标签和多标签分类两个方面进行实验。基于单标签分类的证候诊断方面,分别使用逻辑回归、SVM、随机森林和神经网络并结合特征筛选的方法,对于肝郁脾虚证F1最高可达到0.8260。另外利用深度学习的特征表示的方法,使得分类性能得到了提升,F1可达到0.8550。体现了特征筛选和深度学习在中医证候诊断问题上性能的优势。基于多标签分类的证候诊断方面,使用 oneVSrestClassifier(oneVSrest),BinaryRelevance(BR),MLkNN,LabelPowerset(LP)和 ClassifierChain(CC)五种方法进行模型的训练,micro F1最高可达到0.7057;另外将证候进行拆分后,micro F1最高可达到0.7587。在诊断过程中,BR和LP分别表现出了良好的性能。