一种基于君臣佐使配伍原则的中医处方推荐方法

摘要

本发明属于中医处方推荐技术领域，尤其是涉及一种基于君臣佐使配伍原则的中医处方推荐方法。本发明与现有的单个分类器预测完整的中医处方不同，本发明使用四个分类器(君、臣、佐、使)逐步生成符合君臣佐使配伍规则的中医处方。以此方法构建的四个分类器，可以生成符合各自角色的中药，完成初步处方生成；提出处方质量评价方法，对初步处方进行修正，得到最终处方。可以解决现有自动处方生成模型中药相关性弱、缺乏临床意义的缺陷。本发明模型生成的中医处方，蕴含了君臣佐使配伍的知识，生成的处方更好地体现临床开方的思路，为临床提供辅助决策。

说明书

技术领域

本发明属于中医处方推荐技术领域，尤其是涉及一种基于君臣佐使配伍原则的中医处方推荐方法。

背景技术

君臣佐使作为组方原则最早出现在《内经》中，在中医的应用中有非常悠久的历史。君药作为君臣佐使之首，对主证或者主病起作用，决定一个处方的主攻方向。臣药作为次位的中药，一是辅助君药发挥作用，加强对主证或主病的治疗；二是治疗病人的兼证或者兼病。佐药的作用有佐助、佐制和反佐。佐助即加强君药、臣药的疗效或者直接对次要兼证起作用；佐制是减轻君药、臣药的毒性或烈性；反佐药则是与君药药性相反但却能起相成作用的药物。佐药的数量多于臣药。使药作用有引经及调和诸药，引诸药到达病所，使其合力驱邪。使药一般只需一到二味。

文献“A Knowledge Graph Enhanced Topic Modeling Approach for HerbRecommendation”中提出了结合中药七情配伍的HC-KGETM模型，将七情配伍简化为两种状态：一种是有正面影响的中药组合，称为正链组合L

现有的处方生成模型大多使用了LDA主题模型，根据医案数据推出证候，再进一步推出中药序列作为处方，还有些工作使用朴素贝叶斯预测每个药物在君臣佐使位置的概率。现有方法忽略了中药之间的相互作用，把中医处方生成看作一个简单的序列预测问题。HC-KGETM虽然考虑了中药相互作用，但是将其简化为了正向、负向两种作用，无法涵盖中药处方中各味药的复杂关系，而且该模型仅考虑了药对之间的作用，没有考虑多个药物可能存在的联系。

发明内容

针对上述问题，本发明根据君、臣、佐和使四个角色之间的相互作用来逐步推出君药、臣药、佐药和使药，生成最终处方，以此解决生成处方中药弱相关的问题，为中医师提供辅助决策。

本发明的技术方案为：

一种基于君臣佐使配伍原则的中医处方推荐方法，定义X表示证候、Y表示中药；其中证候X包括主证X

S1、构建君药分类器选择君药：

其中，

其中D表示医案样本集，每个样本包括症状和方剂数据，

S2、构建臣药分类器选择臣药：

其中，P(X

其中，

S3、构建佐药分类器选择佐药：

其中P(X

类推可得，则佐药Y

其中，

S4、构建使药分类器选择使药：

其中P(X

类推可得，使药Y

其中，

S5、根据得到的君药、臣药、佐药和使药，生成初步处方C＝{Y

S6、对初步处方进行质量评价和中药替换，得到最终的处方：

利用现有药方中出现的中药建立中药-中药网络，采用中药作为网络的节点，定义两个节点之间的边的权值为e

否则

其中p

对初步处方进行评价：

其中m为处方的中药总数，S

利用S

通过距离公式d

其中d

本发明的有益效果为：

本发明可以解决现有自动处方生成模型中药相关性弱、缺乏临床意义的缺陷。本发明模型生成的中医处方，蕴含了君臣佐使配伍的知识，生成的处方更好地体现临床开方的思路，为临床提供辅助决策。

附图说明

图1是本发明的总体流程图。

图2是中药-中药网络结构示意图。

具体实施方式

下面结合附图对本发明进行详细描述。

本发明的关键点在于其与现有的单个分类器预测完整的中医处方不同，本发明使用四个分类器(君、臣、佐、使)逐步生成符合君臣佐使配伍规则的中医处方。以此方法构建的四个分类器，可以生成符合各自角色的中药，完成初步处方生成；提出处方质量评价方法，对初步处方进行修正，得到最终处方。

在本发明方案中，定义X表示证候，Y表示中药。具体地，证候有包括主证X

主证、兼证的向量编码参考国家标准的中医病证分类与代码。中药特征向量的构建使用中药的性、味和归经3个特征进行中药特征向量的编码。中药有四性五味，四性指药物有寒、热、温、凉四种不同的药性；五味指药物有酸、苦、甘、辛、咸五种不同的药味。归经指中药对人体有十二经脉具有选择性治疗作用的特性。将每种中药建模为21维(四性五味十二经脉)的特征向量。对于每个属性有则编码为1，无则编码为0。

如图1所示，本发明包括以下步骤：

步骤1：构建君药分类器，根据主症选择君药：

由于君药只与主证有关，预测君药的时候只需要输入主证X

P(Y

P(X

P(Y

其中，D表示整个医案样本集，每个样本包括症状和方剂数据。

由于证候编码是离散的，主症中每个属性的条件概率

其中，

为了避免样本数量少导致

其中N

君药分类器表达如下：

其中，

对于君药分类器，只需选择一味中药即概率最大的药物作为君药。

步骤2：构建臣药分类器，根据主症、兼症和君药选择臣药：

臣药和主证、兼症和君药都有关系，臣药分类器输入为主证X

其中P(X

步骤3：构建佐药分类器，根据兼症、君药和臣药选择佐药：

佐药与君药、臣药和兼证有关系，佐药分类器输入君药Y

其中P(X

步骤4：构建使药分类器，根据主症、兼症、君药、臣药和佐药选择使药：

由于使药要引经，既需要各药的知识，又需要主证和兼证的信息，使药分类器同时输入主证X

其中P(X

步骤5：生成初步处方：

组合得到的君药、臣药、佐药和使药，生成初步处方C＝{Y

步骤6：对初步处方进行质量评价和中药替换，得到最终的处方：

(1)中药共现网络的构建

根据《伤寒论》中的经典方建立一个中药-中药网络，其中节点为所有出现过的中药，用d

定义中药距离d

其中e

其中p

要特别注意的是，不直接使用整个处方的路径和除以权值和，而是先计算每个药对的距离值再求和，是避免远距离药对对近距离药对作用的削弱。同时增加核心药对对处方评分的影响。例如处方中包含一个极远距离药对，那么分子会变得非常大，处方评分会变得非常差。然而这种远距离药对的作用应该比近距离药对小。远距离药对的路径长，除以路径上的权值和就可以减少这种远距离药对的影响。然而路径短且权值极大的药对的作用仍然会被突显出来。

(2)处方评价与修正，生成最终的处方

对初步处方C＝{Y

其中m为处方的中药总数，d

根据S

对于自动生成处方C中距离最远的药对进行经典方常用药对替换，替换策略为选择中接近中心度较低的中药进行替换。接近中心度可以衡量一个节点距离所有节点的距离,接近中心度越大，说明这个点距离任何其他点都最近。中药d

其中d