[发明专利]基于机器学习的中医开方方法及系统

说明书

本发明公开了一种基于机器学习的中医开方方法及系统，属于医疗信息化术领域，其中，该方法包括：构建并预处理症状、症型和药方向量；对预处理后的症状向量进行二阶与高阶耦合；对耦合后的症状向量进行线性空间变换，得到症状空间到症型空间的投影和症状空间到药方空间的投影；分别构建症型和药方神经网络，将前述两个投影分别输入到症型神经网络和药方神经网络中，分别输出症型向量和药方向量，将症型向量与症型标签向量构成交叉熵损失函数，以按照症型进行诊断分类，利用分段二次曲线对药方向量进行拟合，得到多条光滑的药方剂量曲线，再对曲线进行插值，得到完整药方。该方法不仅可以对已有病症进行精准开方，还可以对新的病症进行精准开方。

技术领域

本发明涉及医疗信息化术领域，特别涉及一种基于机器学习的中医开方方法及系统。

背景技术

中药处方采用严格按中药配伍规则，根据患者的症型和症状调配各种药材而成的，与西药处方的各种独立药品随意简单组合的方式并不同，其依靠医生扎实的中药学理论基础和丰富的实操经验，且需要大量记忆或经验开具，对于中医医生来说不仅工作难度大，工作效率还低，极易造成中药处方的错漏(如选错药材和/或剂量过大过小)，轻者影响疗效，重者影响身体健康。因此，亟待一种能够帮助降低中医工作难度、提高中医工作效率、且可以更加精准开方的中医开方算法，使得患者及时得到治疗。

针对前述问题，现有技术提出了一种“基于人工智能的中医智能开方系统的构建方法”，该方案是将将古籍古方中的数据进行筛选并定义基础知识元，并逐渐进行关系组合形成一维基础线性关系、二维同一类别概念之间的关系组成的知识面、三维不同类别概念之间的的关系组合而成的知识体以及四维可随时间推移进行更替的复合信息，形成相对稳定的知识图谱，通过病例中患者的症状与知识图谱结合，找出特征值，再通过模拟训练构建模型，推导出的症状及病机与实际病例去比较进行机器训练，最后对得出的模型进行评估，可实现自动分析病症进行智能开方，即采用知识图谱方式。同样的，还有由深圳问止中医健康科技有限公司开发的“问止中医”的现有开方软件，其也主要使用知识图谱方法构建中医药字典。

但知识图谱只根据病症的症状进行开方，不会考虑患者的症型，故该方案所开的方精准度不高；同时，其相互作用的描述也不够，对用药剂量的拟合精度较低，而且无法对未录入数据库的用药需求进行预测；另外，该种方式只能针对于现有已知病症的症状进行开方，无法对新的病症的症状进行开方，开方的能力有限。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于机器学习的中医开方方法。

本发明的另一个目的在于提出一种基于机器学习的中医开方系统。

本发明又一方面实施例提供一种计算机设备。

本发明还一方面实施例提供一种非临时性计算机可读存储介质。

为达到上述目的，本发明一方面实施例提出了基于机器学习的中医开方方法，包括以下步骤：步骤S1，构建症状向量、症型向量和药方向量，并对所述症状向量、所述症型向量和所述药方向量进行预处理；

步骤S2，对预处理后的症状向量进行二阶与高阶耦合，得到添加耦合项的症状向量；

步骤S3，预设待定参数的酉矩阵和伪单位阵对所述添加耦合项的症状向量进行线性空间变换，得到症状空间到症型空间的投影向量和症状空间到药方空间的投影向量；

步骤S4，分别构建症型神经网络和药方神经网络；

步骤S5，将所述症状空间到症型空间的投影向量输入到症型神经网络中，输出症型向量，并将所述症型向量与症型标签向量构成交叉熵损失函数，以按照症型进行诊断分类；

步骤S6，将所述症状空间到药方空间的投影向量输入到所述药方神经网络中，输出药方向量，利用分段二次曲线对所述药方向量进行拟合，得到多条光滑的药方剂量曲线；