一种中医方剂自动筛选系统及其方法技术方案

本发明专利技术公开了一种中医方剂自动筛选系统，通过药物标准化词集和输入的临床症状生成方剂信息总集，在方剂信息总集的基础上构建机器学习模型的学习集合对照集，并将机器学习模型应用于方剂信息总集，生成筛选方剂集合；接着在生成的筛选方剂集合中检索，获得拓展临床表现集合，计算出拓展临床表现相对于输入临床表现的权重；然后以获得的权重，补充筛选方剂集合中的标注方剂，计算出各筛选方剂的临床表现的权重向量：最后输入需要进行筛选的核心临床表现，并计算其权重向量；根据不同向量距离计算公式，计算出各方剂权重向量与核心临床表现的权重向量的向量距离；距离最近的方剂，为该核心临床表现对应的最优方剂选择。

【技术实现步骤摘要】
一种中医方剂自动筛选系统及其方法
本专利技术涉及机器学习领域，具体地说，特别涉及一种将机器学习和“方证对应”的中医理论指导结合的基于方剂药物组成建模、预测和评估的方剂自动筛选系统。
技术介绍
机器学习是利用计算机建模的不同算法，总结已知事物规律，预测、推断未知知识规律，并用于科学决策的方法。机器学习通过模型反应数据内部复杂规则，能够在一定程度上反应中医的整体、辨证思维模式。近年来机器学习已经被应用于中医药研究的多个领域，可以基于药物组成对不同类方、基于症状对不同方药、基于药物对不同功用进行分类区别研究，或者是利用计算机建模方法从中医方剂中挖掘出信息并进行提炼和总结。
技术实现思路
本专利技术的目的在于针对现有技术中的不足，提供一种中医方剂自动筛选系统及其方法，以解决现有技术中存在的问题。本专利技术所解决的技术问题可以采用以下技术方案来实现：一种中医方剂自动筛选方法，包括如下步骤：1)根据具体的临床表现和药物标准化词集生成方剂信息总集，并在方剂信息总集的基础上建立机器学习模型的学习集和对照集；2)以选定的参数建立模型，人工智能动态调参选择模型，分别构建机器学习模型；并按比例组合不同算法模型模块，以人工智能调节不同算法模型的权重比例，构成筛选模型；3)将机器学习模型应用于方剂信息总集，生成筛选方剂集合；4)通过在筛选方剂集合中检索获得拓展临床表现集合，并计算出单个拓展临床表现对应的筛选方剂数量、所有方剂数量和拓展临床表现相对于输入临床表现的权重；5)重复上述步骤，建立多个方剂筛选模型，并通过方剂筛选模型方剂集合进行标注，获得标注方剂；6)以输入临床表现的权重，补充筛选方剂集合中的标注方剂，计算出各筛选方剂的临床表现的权重向量：7)对需要进行筛选的核心临床表现使用临床表现的权重，计算出核心临床表现的权重向量；8)计算出各的临床表现的权重向量与核心临床表现的权重向量的向量距离；9)向量距离最近的筛选方剂，为该核心临床表现对应的最优方剂选择。一种中医方剂自动筛选系统，包括临床表现输入模块A，用于输入具体的临床表现；方剂数据处理模块B，根据临床表现和药物标准化词集生成方剂信息总集，并在方剂信息总集的基础上建立机器学习模型的学习集和对照集，机器学习模型的参数和权重通过方剂数据处理模块B动态调整；筛选模型建立模块C，以选定的参数建立模型，人工智能动态调参选择模型，分别构建机器学习模型；并按比例组合不同算法模型模块，以人工智能调节不同算法模型的权重比例，构成筛选模型；智能调控模块D，根据评估参数智能调节方剂数据处理模块B和筛选模型建立模块C中的模型参数和权重比例；方剂筛选模块E，将筛选模型建立模块C构建的机器学习模型，应用于方剂数据处理模块B的方剂信息总集，生成筛选方剂集合；拓展临床表现模块F，通过在方剂筛选模块E获得的筛选方剂集合中检索，获得拓展临床表现集合，并计算出单个拓展临床表现对应的筛选方剂数量、所有方剂数量和拓展临床表现相对于输入临床表现的权重；多个筛选模型模块G，通过重复迭代临床表现输入模块A、方剂数据处理模块B、筛选模型建立模块C和智能调控模块D，建立拓展临床表现的方剂筛选模型；筛选方剂标注模块H，使用多个筛选模型模块G生成的多个筛选模型，对模块E中生成的筛选方剂集合进行标注；方剂权重向量化模块I，以拓展临床表现模块F获得的临床表现的权重，补充筛选方剂标注模块H中获得的标注方剂，以向量定义公式计算各筛选方剂的临床表现的权重向量：多个临床表现向量化模块J，用于输入需要进行筛选的核心临床表现，并使用拓展临床表现模块F获得的临床表现的权重，对核心临床表现，以向量定义公式计算权重向量；向量距离计算模块K，根据不同向量距离计算公式，计算方剂权重向量化模块I中各方剂权重向量与多个临床表现向量化模块J中核心临床表现权重向量的向量距离；不同方剂权重表输出模块L，用于对获得的各筛选方剂与各分期分型的向量距离排序，距离最近的方剂，为该核心临床表现对应的最优方剂选择。进一步的，所述方剂数据处理模块B包括方剂信息总集生成模块B1、学习集生成模块B2、对照集生成模块B3和模型参数选择模块B4；所述方剂信息总集生成模块B1，通过不同临床表现、不同药物标准化词集，针对方剂数据集合进行人工智能动态标准化和分拆，生成方剂信息总集；所述学习集生成模块B2，基于临床表现输入模块A和方剂信息总集，以输入临床表现检索，在方剂信息总集中获得基于药物组成相似的机器学习模型学习集；所述对照集生成模块B3，基于临床表现输入模块A和方剂信息总集生成模块B1，在方剂信息总集中排除构建所述机器学习模型的学习集的数据，随机抽样其他药物组成数据，建立对照集；所述模型参数选择模块B4，基于学习集生成模块B2和对照集生成模块B3，通过人工智能动态调控药物组成相似的多种机器学习模型的参数和权重。进一步的，所述筛选模型建立模块C包括不同算法筛选模型建立模块C1和筛选模型建立模块C2；所述不同算法筛选模型建立模块C1，基于学习集生成模块B2、对照集生成模块B3和模型参数选择模块B4，以选定的参数建立模型，人工智能动态调参选择模型，分别构建机器学习模型；所述筛选模型建立模块C2，基于不同算法筛选模型建立模块C1，按比例组合不同算法模型模块，以人工智能调节不同算法模型的权重比例，构成筛选模型。进一步的，所述拓展临床表现模块F包括拓展临床表现模块F1、拓展临床表现方剂筛选数量模块F2、拓展临床表现所有方剂数量模块F3和拓展临床表现权重计算模块F4；所述拓展临床表现模块F1，基于方剂筛选模块E，在方剂筛选模块E获得的筛选方剂集合中检索，获得拓展临床表现集合；所述拓展临床表现方剂筛选数量模块F2，基于方剂筛选模块E和拓展临床表现模块F1，单个拓展临床表现对应的筛选方剂数量T筛选计算方法如下：通过拓展临床表现模块F1获得拓展临床表现集合中的单个临床表现和方剂筛选模块E中获得筛选方剂集合进行检索，获得该拓展临床表现对应的筛选方剂数量：T筛选＝|{a|a∈U拓展临床表现}∩{a|a∈U输入临床表现}|(1)式(1)中，a为方剂，U拓展临床表现为方剂信息总集生成模块B1中方剂信息总集包含拓展临床表现的方剂集合，U输入临床表现为包含方剂筛选模块E获得的筛选方剂集合；所述拓展临床表现所有方剂数量模块F3，基于方剂信息总集生成模块B1、拓展临床表现模块F1和方剂筛选模块E，拓展临床表现对应的所有方剂数量T总计算方法如下：通过拓展临床表现模块F1获得拓展临床表现集合中的单个临床表现，在方剂信息总集生成模块B1中方剂信息总集中进行检索，获得该临床表现对应的方剂总数量：T总＝|{a|a∈U拓展临床表现}|(2)式(2)中，a为方剂，U拓展临床表现为方剂信息总集生成模块B1中方剂信息总集中包含拓展临床表现的本文档来自技高网...

【技术保护点】
1.一种中医方剂自动筛选方法，其特征在于，包括如下步骤：/n1)根据具体的临床表现和药物标准化词集生成方剂信息总集，并在方剂信息总集的基础上建立机器学习模型的学习集和对照集；/n2)以选定的参数建立模型，人工智能动态调参选择模型，分别构建机器学习模型；并按比例组合不同算法模型模块，以人工智能调节不同算法模型的权重比例，构成筛选模型；/n3)将机器学习模型应用于方剂信息总集，生成筛选方剂集合；/n4)通过在筛选方剂集合中检索获得拓展临床表现集合，并计算出单个拓展临床表现对应的筛选方剂数量、所有方剂数量和拓展临床表现相对于输入临床表现的权重；/n5)重复上述步骤，建立多个方剂筛选模型，并通过方剂筛选模型方剂集合进行标注，获得标注方剂；/n6)以输入临床表现的权重，补充筛选方剂集合中的标注方剂，计算出各筛选方剂的临床表现的权重向量：/n7)对需要进行筛选的核心临床表现使用临床表现的权重，计算出核心临床表现的权重向量；/n8)计算出各的临床表现的权重向量与核心临床表现的权重向量的向量距离；/n9)向量距离最近的筛选方剂，为该核心临床表现对应的最优方剂选择。/n

【技术特征摘要】
1.一种中医方剂自动筛选方法，其特征在于，包括如下步骤：
1)根据具体的临床表现和药物标准化词集生成方剂信息总集，并在方剂信息总集的基础上建立机器学习模型的学习集和对照集；
2)以选定的参数建立模型，人工智能动态调参选择模型，分别构建机器学习模型；并按比例组合不同算法模型模块，以人工智能调节不同算法模型的权重比例，构成筛选模型；
3)将机器学习模型应用于方剂信息总集，生成筛选方剂集合；
4)通过在筛选方剂集合中检索获得拓展临床表现集合，并计算出单个拓展临床表现对应的筛选方剂数量、所有方剂数量和拓展临床表现相对于输入临床表现的权重；
5)重复上述步骤，建立多个方剂筛选模型，并通过方剂筛选模型方剂集合进行标注，获得标注方剂；
6)以输入临床表现的权重，补充筛选方剂集合中的标注方剂，计算出各筛选方剂的临床表现的权重向量：
7)对需要进行筛选的核心临床表现使用临床表现的权重，计算出核心临床表现的权重向量；
8)计算出各的临床表现的权重向量与核心临床表现的权重向量的向量距离；
9)向量距离最近的筛选方剂，为该核心临床表现对应的最优方剂选择。


2.一种中医方剂自动筛选系统，其特征在于，包括
临床表现输入模块A，用于输入具体的临床表现；
方剂数据处理模块B，根据临床表现和药物标准化词集生成方剂信息总集，并在方剂信息总集的基础上建立机器学习模型的学习集和对照集，机器学习模型的参数和权重通过方剂数据处理模块B动态调整；
筛选模型建立模块C，以选定的参数建立模型，人工智能动态调参选择模型，分别构建机器学习模型；并按比例组合不同算法模型模块，以人工智能调节不同算法模型的权重比例，构成筛选模型；
智能调控模块D，根据评估参数智能调节方剂数据处理模块B和筛选模型建立模块C中的模型参数和权重比例；
方剂筛选模块E，将筛选模型建立模块C构建的机器学习模型，应用于方剂数据处理模块B的方剂信息总集，生成筛选方剂集合；
拓展临床表现模块F，通过在方剂筛选模块E获得的筛选方剂集合中检索，获得拓展临床表现集合，并计算出单个拓展临床表现对应的筛选方剂数量、所有方剂数量和拓展临床表现相对于输入临床表现的权重；
多个筛选模型模块G，通过重复迭代临床表现输入模块A、方剂数据处理模块B、筛选模型建立模块C和智能调控模块D，建立拓展临床表现的方剂筛选模型；
筛选方剂标注模块H，使用多个筛选模型模块G生成的多个筛选模型，对模块E中生成的筛选方剂集合进行标注；
方剂权重向量化模块I，以拓展临床表现模块F获得的临床表现的权重，补充筛选方剂标注模块H中获得的标注方剂，以向量定义公式计算各筛选方剂的临床表现的权重向量：
多个临床表现向量化模块J，用于输入需要进行筛选的核心临床表现，并使用拓展临床表现模块F获得的临床表现的权重，对核心临床表现，以向量定义公式计算权重向量；
向量距离计算模块K，根据不同向量距离计算公式，计算方剂权重向量化模块I中各方剂权重向量与多个临床表现向量化模块J中核心临床表现权重向量的向量距离；
不同方剂权重表输出模块L，用于对获得的各筛选方剂与核心临床表现的向量距离排序，向量距离最近的方剂，为该核心临床表现对应的最优方剂选择。


3.根据权利要求2所述的中医方剂自动筛选系统，其特征在于：所述方剂数据处理模块B包括方剂信息总集生成模块B1、学习集生成模块B2、对照集生成模块B3和模型参数选择模块B4；
所述方剂信息总集生成模块B1，通过不同临床表现、不同药物标准化词集，针对方剂数据集合进行人工智能动态标准化和分拆，生成方剂信息总集；
所述学习集生成模块B2，基于临床表现输入模块A和方剂信息总集，以输入临床表现检索，在方剂信息总集中获得基于药物组成相似的机器学习模型学习集；
所述对照集生成模块B3，基于临床表现输入模块A和方剂信息总集生成模块B1，在方剂信息总集中排除构建所述机器学习模型的学习集的数据...

【专利技术属性】
技术研发人员：郭晶磊，杨巍，文小平，
申请(专利权)人：上海中医药大学，
类型：发明
国别省市：上海;31