[发明专利]基于PCNN网络和注意力机制的中医辨证辅助决策方法

说明书

本发明公开了一种基于点排序卷积神经网络(PCNN)和注意力(Attention)机制的中医辨证辅助决策方法，具体包括：使用语言技术平台工具对每份医案进行分词处理；使用PCNN网络对每份医案进行特征编码，构建其对应的特征向量表示；使用Attention机制进行证候预测。本发明使用点排序CNN网络自动提取医案的症状、病因、病机等特征，构建对应的特征编码，不需人工标注特征；引入注意力机制消除噪音语料,对医案分配不同权重，提高分类精度；本发明从医案数据的症状、病因、病机等多个方面出发进行辨证规律挖掘，提高了辨证结果的可靠性；同时，本发明适用于大多数疾病的辨证规律发现，其具有很高的可扩展性。

技术领域

本发明涉及一种中医辨证辅助决策方法，具体地说，涉及一种基于PCNN网络和注意力机制的中医辨证辅助决策方法。

背景技术

“辨证论治”是传统中医的主要特点，即将望、闻、问、切(四诊)收集的症状，依四诊合参原则，加以分析和总结，确定疾病的病理、病性、病位和邪正关系，从而确定疾病的证侯，并选择相应的治疗。中医辨证是中医诊断疾病的理论核心，也是中医诊断学的难题。

传统中医辨证过程中，医生通过感官观察和患者的主观描述获取患者的症状和体征信息，医生根据个人知识和经验对患者信息进行整合，并得出诊断结果，辨证的准确性在一定程度上取决于医生的个人经验、诊断技巧、认识水平和思维能力，主观性较强，其辨证过程更是一个“黑箱理论”，难以诠释。为了解决这些问题，出现了一大批基于数据挖掘技术的辨证辅助决策方法，其中最新研究LDA模型分析关于糖尿病的临床病例，以此来发现隐藏在症状和证候之间的关联知识，结果发现了关于糖尿病辨证的7种不同的证侯，每种证侯包含不同的症状。

目前基于数据挖掘技术的辨证辅助决策方法只适用于单一的特定疾病，如果进行其它疾病的辨证结果预测时，辨证准确率相对于特定疾病会大幅度下降，如使用Aprior算法从丁氏外科临床医案数据中挖掘辨证规律，所得结果只适用于丁氏外科的疾病辨证，缺乏扩展性；其次，在根据医案数据进行辨证规律研究时，仅从症状方面入手，而忽略了病位和病机对辨证结果的影响，导致辨证结果与真实结果相差甚大。

发明内容

有鉴于此，本发明针对现有辨证决策方法存在的扩展性差、只考虑单一影响因素的问题，提供了一种基于PCNN网络和注意力机制的中医辨证辅助决策方法，结合影响辨证的症状、病因、病机等3种特征，基于点排序CNN网络(PCNN)自动提取医案特征，进行辨证结果预测；同时考虑不同医案对辨证结果的影响权重不同，进一步采用注意力(ATT)机制对所有医案进行权重分配，优化预测模型。

为了解决上述技术问题，本发明公开了一种基于点排序CNN网络和注意力机制的中医辨证辅助决策方法，具体包括：

步骤1，预处理：使用语言技术平台(LTP)工具对每份医案进行分词处理；

步骤2，医案编码：使用点排序CNN网络(PCNN)对每份医案进行特征编码，构建其对应的特征向量表示；

步骤3，使用注意力Attention机制进行证候预测。

进一步地，步骤2具体为：首先将每个医案转换为特征向量表示，然后利用卷积、分段式最大池化和非线性转换构建对应的医案特征向量。

进一步地，将每个医案转化特征向量表示，具体步骤如下：

医案子集M1提取：根据完全词匹配法在原始医案集中搜索包含症状集S的医案，形成医案子集M1＝{m₁,…,m_l,…,m_d}；

对医案子集M1中的医案m_l＝{w₁,w₂,…,w_m},(1≤l≤d)进行向量化表示，其中，w_i表示医案经过预处理之后包含于其中的症状、病因、病机特征；