[发明专利]一种基于隐语义模型的中医组方推荐方法及系统

权利要求书

1.一种基于隐语义模型的中医组方推荐方法，其特征在于，该方法包括以下步骤：

S0：采集某种疾病的多例医案信息，医案信息包括医案数及每例医案对应症状和药物；

S1：根据步骤S0采集的信息，基于对医案库中症状和对应处方的隐语义分析，提取出隐含证候，发现隐含证候、症状和药物间存在的关系，建立基于症状-证候-药物的主题模型，并进行参数学习训练；

S2：输入待检测的用户症状，从基于症状-证候-药物的主题模型结果中获取的症状、证候、药物之间的对应关系，进行相应处方推荐，并输出推荐结果，为医生诊疗过程的组方提供参考和辅助决策；

所述步骤S1具体包括基于症状-证候-药物的主题模型的生成；

假设一例医案被视为一篇文档，一种证候被视为一个主题；令|P|为临床医案数，每例医案p包含种症状和种药物，h_pn为医案p中的第n种药物，s_pm为医案p中的第m种症状，z_pmn为词h_pn和s_pm的潜在证候分布；K为证候主题数，每个主题k∈[1，…，K]表示一种证候；为证候k∈[1，…，K]上S维的证候-症状多项式分布，用于描述不同症状对证侯的重要性，其中，S为医案集包含的症状总数；为证候k∈[1，…，K]上H维的证候-药物多项式分布，用于描述不同药物治疗一种证侯的重要性，其中，H为医案集包含的药物总数；对于某种证候下的所有词，假设和相互独立；θ_p为医案p上K维的医案-证候多项式分布；x为二元变量值，取值范围为{symptom，herb}，以此来表达所生成词的2种不同类型，若x＝symptom，则表示所生成词为症状，否则为药物；α、β、γ分别为Dirichlet先验分布的超参数；基于症状-证候-药物主题模型SSHTM的生成过程如下所示：

步骤1：对于每个主题k∈[1，…，K]，服从参数为β的狄利克雷先验分布，服从参数为γ的狄利克雷先验分布：

步骤2：对于每例医案p∈P，θ_p服从参数为α的狄利克雷先验分布：θ_p～Dirichlet(α)；

步骤3：对于包含于每例医案p中的每个词，主题z_pmn服从参数为θ_p的多项式分布：z_pmn～Multi(θ_p)；

步骤4：若x＝symptom，则症状s_pm服从参数为的多项式分布：若x＝herb，则药物h_pn服从参数为的多项式分布：

所述步骤S1还包括基于症状-证候-药物的主题模型的参数学习训练；

其中，参数θ_pk、及的计算分别如下：

其中，θ_pk表示医案p包含证候k的概率，表示证候k包含症状s的概率，表示证候k包含药物h的概率；表示医案p的症状分配给主题k的次数，表示医案p的药物分配给主题k的次数，表示在医案集中症状m分配给主题k的次数，表示在医案集中药物n分配给主题k的次数；

所述步骤S2中对输入的待检测用户的症状，进行预处理，将其表示为一个n维向量，n为包含于医案集的症状数；其中，每种症状用0、1编码表示，若输入症状存在，则编码为1，否则为0；

所述步骤S2具体包括如下子步骤：

S21：构建症状-药物矩阵，获取症状与药物之间的对应关系；

构建症状-药物矩阵，其第i行j列的元素表示为p(h_j|s_i)，即治疗症状s_i的药物包含h_j的概率，其计算如下所示：

其中，z为基于症状-证候-药物的主题模型中的证候主题，K为主题数，p(h_j|z)即为SSHTM模型中的参数p(z|s_i)表示症状s_i包含于证候z的概率：

其中，p(s_i|z)为SSHTM模型中的参数p(s_i)表示症状s_i在医案集M中的出现频率，p(z)为主题z的先验概率，将其看作为一个常数；

S22：对所有症状计算每种药物的排序值Rank，并选择具有较大排序值的药物作为其推荐药物，并将这些推荐药物的组合作为治疗患者的推荐处方；

S221：基于输入的患者症状及其对应权重，计算所有症状下每种药物的排序值Rank，其计算如下所示：

其中，weight(s_i)表示症状s_i的权重，若输入症状包含s_i，则为1，否则为0；

S222：对所有药物的Rank值进行降序排列，并选择前N个药物作为其推荐药物，并将这N个药物的组合作为治疗患者症状的推荐处方，记为：pres.＝{H(N)}。

2.一种基于隐语义模型的中医组方推荐系统，其特征在于，该系统支持上述权利要求1所述的一种基于隐语义模型的中医组方推荐方法，包括：

医案信息采集模块：用于采集某种疾病的多例医案信息，医案信息包括医案数及每例医案对应症状和药物；

基于症状-证候-药物的主题模型构建及训练模块：连接医案信息采集模块，基于对医案中症状和对应处方的隐语义分析，提取出隐含证候，发现隐含证候、症状和药物间存在的关系，建立基于症状-证候-药物的主题模型，并进行模型训练及保存；

用户信息输入模块：用于获取待检测用户的症状，并进行预处理相关解析；

中医组方推荐模块：分别连接用户信息输入模块和基于症状-证候-药物的主题模型构建及训练模块，用于根据输入待检测用户的症状，从基于症状-证候-药物的主题模型结果中获取的症状、证候、药物之间的对应关系，进行相应处方推荐，并输出推荐结果，为医生诊疗过程的组方提供参考和辅助决策；

所述基于症状-证候-药物的主题模型构建及训练模块包括模型生成单元，模型生成单元包括：

假设一例医案被视为一篇文档，一种证候被视为一个主题；令|P|为临床医案数，每例医案p包含种症状和种药物，h_pn为医案p中的第n种药物，s_pm为医案p中的第m种症状，z_pmn为词h_pn和s_pm的潜在证候分布；K为证候主题数，每个主题k∈[1，…，K]表示一种证候；为证候k∈[1，…，K]上S维的证候-症状多项式分布，用于描述不同症状对证侯的重要性，其中，S为医案集包含的症状总数；为证候k∈[1，…，K]上H维的证候-药物多项式分布，用于描述不同药物治疗一种证侯的重要性，其中，H为医案集包含的药物总数；对于某种证候下的所有词，假设和相互独立；θ_p为医案p上K维的医案-证候多项式分布；x为二元变量值，取值范围为{symptom，herb}，以此来表达所生成词的2种不同类型，若x＝symptom，则表示所生成词为症状，否则为药物；α、β、γ分别为Dirichlet先验分布的超参数；基于症状-证候-药物主题模型SSHTM的生成过程如下所示：

对于每个主题k∈[1，…，K]，服从参数为β的狄利克雷先验分布，服从参数为γ的狄利克雷先验分布：

对于每例医案p∈P，θ_p服从参数为α的狄利克雷先验分布：θ_p～Dirichlet(α)；

对于包含于每例医案p中的每个词，主题z_pmn服从参数为θ_p的多项式分布：z_pmn～Multi(θ_p)；

若x＝symptom，则症状s_pm服从参数为的多项式分布：若x＝herb，则药物h_pn服从参数为的多项式分布：

所述基于症状-证候-药物的主题模型构建及训练模块还包括参数学习单元，参数学习单元用于根据模型生成单元构建的模型，并对模型进行训练；其中训练过程中的参数θ_pk、及的计算分别如下：

其中，θ_pk表示医案p包含证候k的概率，表示证候k包含症状s的概率，表示证候k包含药物h的概率；表示医案p的症状分配给主题k的次数，表示医案p的药物分配给主题k的次数，表示在医案集中症状m分配给主题k的次数，表示在医案集中药物n分配给主题k的次数；

所述中医组方推荐模块包括构建症状-药物矩阵单元和排序推荐单元，其中，构建症状-药物矩阵单元包括：

构建症状-药物矩阵，其第i行j列的元素表示为p(h_j|s_i)，即治疗症状s_i的药物包含h_j的概率，其计算如下所示：

其中，z为基于症状-证候-药物的主题模型中的证候主题，K为主题数，p(h_j|z)即为SSHTM模型中的参数p(z|s_i)表示症状s_i包含于证候z的概率：

其中，p(s_i|z)为SSHTM模型中的参数p(s_i)表示症状s_i在医案集M中的出现频率，p(z)为主题z的先验概率，将其看作为一个常数；

排序推荐单元包括：

基于输入的患者症状及其对应权重，计算所有症状下每种药物的排序值Rank，其计算如下所示：

其中，weight(s_i)表示症状s_i的权重，若输入症状包含s_i，则为1，否则为0；

对所有药物的Rank值进行降序排列，并选择前N个药物作为其推荐药物，并将这N个药物的组合作为治疗患者症状的推荐处方，记为：pres.＝{H(N)}。