本课题将中医研究与中医药信息化、智能化研发紧密结合,以国家“十五”科技攻关课题“基于信息挖掘技术的名老中医临床诊疗经验与传承方法研究”的子课题“名老中医临床经验分析挖掘方法研究”为背景,以探索挖掘名老中医临证经验的有效技术和方法为目的,以基于机器学习技术的《伤寒论》方证分析方法研究为内容,在中医理论的指导下,运用信息技术,人工智能技术及其数学原理,基本实现了中医处方内涵属性的数学建模与科学计算;并在此研究基础上,应用当今国际先进的支持向量机技术完成《伤寒论》方证的分类识别实验。论文从文献研究、理论研究、技术方法理论探讨、软件研制及其应用研究等方面对《伤寒论》方证机器学习方法进行了全面系统的研究,为中医方证量化表达及其分类提供一种新的思路和方法,为挖掘和传承名老中医临证经验提供可靠的方法技术。1文献研究全面查阅整理了近年来国内外有关《伤寒论》研究方法和机器学习技术的相关研究文献资料,对目前《伤寒论》研究方法尤其是数学方法在《伤寒论》研究中的概况作了详细的总结并完成综述的撰写,对目前国内外机器学习方法的研究动态作了系统的总结并完成综述的撰写,掌握了相关项目科研的前沿动态。2理论研究在中医学理论的指导下,较系统的论述了《伤寒论》方分类方法和中医知识量化方法的相关理论,认为在此研究基础上寻求一种比较客观的,具有普遍应用价值的中医方证的量化、分类方法——近似推理方法与支持向量机方法相结合,对于实现中医理论量化是一个突破。也是中医理论体系既保持自身特色体系,又继续发展与时俱进的必由之路。3相关技术理论及其应用研究3.1近似推理技术及中医处方智能分析系统(CPIAS)的研制3.1.1近似推理技术近似推理指建立在不确定性知识和证据的基础上的推理,实际上是从具有模糊性特征的认识或经验出发,经过逻辑推理而推出既保持一定程度的不确定性,又是合理或基本合理的结论的推理过程。在人类认识和思维行为中,确定性只是相对的,不确定性是绝对的,中医学的知识具有非常明显的不确定性(模糊性)。由于中医学中导致同一结果的解决方案不唯一,推理所需的知识呈非线性,专家的背景知识不一致等问题,因此在处方智能分析系统的推理计算过程中就需要采用近似推理方法。中医处方智能分析系统的研制原理是基于近似推理方法设计的。其知识库是建立在文献调研的基础上,并通过分析前人的研究结果发现《伤寒论》知识体系而建立的,主要内容有药效知识库、效候知识库、效证知识库等。知识库逻辑规则的确定均依据中医理论,推理过程应用了近似推理技术,知识的表达采用矩阵列表和定性推理的方法,并且在各种符合中医推理逻辑的算法帮助下对其进行管理。3.1.2中医处方智能分析系统(CPIAS)的研制药味和药量是药效作用发挥的基础,也是影响共处方功效改变的重要因素。由于药物的性质不同,其用药的范围会有很大的差异,处方中的实际用量不能直接对作用的强度进行判断,缺乏可比性。对此,以中医理论为指导,设计了具体的数学算法,引入了“相对药量”的概念,使得药味和药味之间的各种药效强度分析有了可比性。并在此基础上,设计了具体的处方性味归经的计算模型。同时系统在两药效相互作用强度的计算中,引入“贴近度”的概念,即指两种药物在性、味、归经等因素的综合贴近程度,按照同气相求,异气相斥的原理,如贴近度越大的药物间的协同作用也越大,反之贴近度越小的药物间的协同作用就越小,增加在计算药效关系时的权重,使计算结果更为准确。最后,用VB语言实现了在windows系统运行的“中医处方智能分析系统(CPIAS)”。实现了了处方药物的作用力度(相对药量)的预测、处方综合药性强度计算、处方综合药味强度计算、处方综合药物归经强度计算、各种功效的强度计算、以及针对病证的临床表现筛选最适宜的处方功效、在筛选出最适宜的功效强度的基础上,再次预测处方的适应证、并确定该处方所针对的临床表现(症状体征)的主次。3.2支持向量机方法(SVM)及CMSVM机器学习系统支持向量机方法是一种有坚实理论基础的小样本学习方法。它基本上不涉及概率测度的定义及大数定律等,从本质上避开了从归纳到演绎的传统过程,实现了从训练样本到预测样本的“转导推理”。而且SVM的最终决策函数只有少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾”。由于核函数的引入,应用SVM方法建立的学习机分类模型是非线性的模型,SVM是一种处理非线性分类的有效方法。由于SVM有较为严格的大统计学理论作保证,应用SVM方法建立的模型具有较好的推广能力,可以给出学习结果的推广能力和误差的界。SVM以上的优点很适合解决中医学的高维、小样本、非线性等问题。本课题系统研究支持向量机方法的理论基础,支持向量机方法的原理,找到适合解决中医分类识别问题的核函数——径向基核函数,成立了CMSVM开发小组开发了CMSVM机器学习系统。4软件应用研究本课题利用中医处方智能分析系统(CPIAS),对从《伤寒论》中选出并一致化处理后的195个方证进行了全面的量化分析,量化因子包括:相对药量的计算,药效强度、药性强度、药味强度、药物归经强度的计算;通过宏观量化分析和知识规则介入的推理,实现处方适应证的预测,并按强度排序;以当前处方所针对的病证的临床表现为依据,在上述分析的基础上筛选出最适应的功效强度;在筛选出最适应的功效强度的基础上,再次实现了处方适应证的预测,并按强度排序;在筛选出最适应的功效强度的基础上,通过知识规则介入的推理,实现了该处方所针对的临床表现(症状体征)的主次排序。其分析准确率达到了95%。CMSVM机器学习建模系统对《伤寒论》方证量化分析后的数据,通过采用径向基核函数,选用用于小样本分类的“交叉验证1”和“预测应用”按照八法(汗吐下和温清补消)进行训练建模,并取得了较好的分类预测效果。研究结果表明该方法在有限样本的情况下,无论样本的维数多高,只要数据质量能够得到保证,所建模型均具有较好的推广能力。中医处方智能分析系统(CPIAS)和CMSVM机器学习系统的研制和应用,很好地解决了数据完整表达的问题,而且避免了主观因素的干扰,没有对数据进行降维处理,保证了数据的完整性,很好地解决了中医学中存在的高维、非线性问题,而且使基于先验知识的学习方法与完全基于数据的学习方法结合在一起,解决了中医学继承中的个性与共性知识的挖掘问题。本课题提出了基于近似推理理论的处方因子计算方法和基于支持向量机方法的建模推理方法的研究方案,并对《伤寒论》195个方证进行量化分析和分类识别实验,取得了满意结果。该研究成果对名老中医学术思想和经验继承的方法研究具有普遍的示范和借鉴意义。本课题成功地将国际上先进的机器学习理论和方法与传统的中医学结合,解决中医处方相关因子的量化计算和分类学习问题,为今后对中医学深层知识或规律的挖掘奠定了基础。