[发明专利]一种基于ISO-R法则的中医智能辨证医理模型的构建方法

说明书

技术领域

本发明涉及中医智能辨证领域，特别是涉及一种基于ISO-R法则的中医智能辨证医理模型的构建方法。

背景技术

“中医智能辨证”是根据标准化的公认的中医知识体系，通过数学模型或算法演算映射中医人脑辨证基本规律的一类计算机程序或软件。受现代科学技术的启发与大众科学意识形态的改变，中医智能辨证在过去一度成为中医现代化研究的热点。其基本原理是将待求症状组与系统预存的所有证型的标准化症状组进行匹配，从而通过模糊数学等方法求得匹配度最高的模式为待求症状组对应的证型，但从研究结果可以看出，目前该方面研究的广度和深度是难以覆盖和达到传统临床的。

目前国内大多数研究是基于计算机在数字处理方面的优势，通过病症的规范研究，通过病状与病机，病种间定量定性关系的确定，通过加权求和、阈值运算等模糊数学方法将待求症状组与已知症状组进行模式匹配，从而判别病种和病机并得出最终的证型。但由于人脑与计算机在实体结构和“思维”机制上的差异，以静态模式匹配为基本原理的中医智能辨证模型不可能原封不动地演绎临床医生的动态诊疗推理过程。

模式识别为目前中医智能辨证领域的基本数学模型，其基本原理如图1所示：

A、系统预存所有证型的标准模式-模糊集，如证型a对应的模糊集a的标准模式为（症状1，症状3，症状5......）；

B、系统将待求症状组（模糊集X）与上述所有证型的标准模式进行匹配；

C、系统运算并求得匹配度最高的模式，显然该模式即为模糊集X所对应的证型。

可以看出，模式匹配类似于教科书般地将所有标准化的证型列举于系统的后台数据库中，然后将待求症状组与后台所有的证型进行对比，匹配出最相似的证型，该证型即为待求症状组的证型。相比与教科书对证型的列举，计算机的存储量大，可以穷尽存取成千上万种标准模式，并且计算机运算速度快，可以在极短地时间内完成对所有标准模式地查找与匹配。然而，如同临床中的随机症状组合，不可能完全按照教科书中固定的某一证型发生发展，计算机穷尽列举标准证型的方法也不能完全覆盖临床，大部分待求症状组都不能完全匹配与某一标准模式，因此，系统只能求得匹配度最高的标准模式为该待求症状组的证型。匹配度体现两个模糊集之间的差异，而模糊数学恰好将这种差异进行了量化。目前大部分研究都应用了模糊数学这一基本方法，模糊数学在中医智能辨证领域中的研究价值在于将待求症状组（模糊集X）与后台预存的标准证型（模糊集a、模糊集b、模糊集c......）进行匹配，并将这种匹配度进行量化。应用模糊数学进行辨证的方法和模型有：模糊聚类分析、模糊综合评判、简单模式识别（最大隶属原则法）和复杂模式识别（海明距离，贴近度）等。运用模糊数学进行中医辨证的前提是必须确定每个症状在每个标准证型中的贡献度（即权值），它是建立在病例中症状出现频率的基础上，根据相应的概率计算方法而求得。而一种症状可能出现在不同的标准模式或证型中，一种标准模式或证型又含有不同的症状。故很多研究者选取了贝叶斯条件概率模型或最大似然法作为权值的概率运算方法。

运用模糊数学进行模式匹配的具体方法为：

A、加权求和，分别在标准证型（模糊集a、模糊集b、模糊集c......）中，将模糊集X中的待求症状组进行加权求和，求得模糊集X在标准证型中的权值之和分别为Q（模糊集a）、Q（模糊集b）、Q（模糊集c）......；

B、证型筛选，显然，权值之和越大，则对应的匹配度最高，具体的筛选方法包括：一种是排它性原则，即选择权值之和最大的证型为其匹配证型；另一种为以阈值筛选原则，只要权值之和超过了阈值就可确诊为该证型。按排它性原则进行筛选的医理设计中，显然不适合处理多病，多证的辨证模型，而固定阈值的筛选原则，很容易造成漏诊与误诊，故很多研究者采用了浮动阈值的筛选方法。

传统中医辨证的关键和基本要求，是确定疾病的病位、病因与病性。现代临床上将由病因、病位、病性等基本辨证要素相互组合而构成的证名作为比较完整、规范的名称已成为共识。

朱文峰老师在其中医辨证电脑系统的医理设计中，确定了48项辨证基本内容（即辨证元素），存取了1500个标准证名模式（即复合证型），并在其研究中，采取了“调阈、兼容”等办法，并通过模糊数学相关理论，如利用空间度量法、变换减维（或增维）法等对48项模元（即标准证型模式）进行模糊聚类分析，可形成500多个演绎证名模式。