摘要：中医的诊病过程具有复杂性和不确定性, 准确地诊断出病因是对疾病治疗和人体健康十分重要的前提。动态不确定因果图 (Dynamic Uncertain Causality Graph, DUCG) 理论是一种基于动态不确定因果关系知识的表达和推理方法, 能够以图形的方式来简洁表达复杂的不确定的因果关系, 并在知识库建立的前提下基于证据化简图形知识库和对事件展开运算, 最终得到定性的推理结果及其发生的概率。本文提出了将DUCG技术运用于中医诊断上的方法理论, 以期为进一步的研究提供参考。
关键词：中医诊断; 动态不确定因果图; 人工智能;
现代科技的发展, 促进了西医学的大力发展, 在中医学方面, 通过专家学者们的不断研究也有大量的成果出现, 尤其在中医学特有的“辨证论治”诊断方法的研究上, 各学科的专家学者们积极寻找能够指导疾病中医辨证诊断的方法, 加之国家科技发展战略对中医药的大力支持, 中医药走向现代化迎来大好时机。人工智能诊断方法已经在中医药学领域内广泛研究应用。例如, 基于本体的中医文献诊疗信息的智能检索示范研究[1], 设计一个基于中医文献信息本体的智能检索模型, 可以从检索到的大量文献中发现、总结所查专题内容的整体发展状况从而掌握遣方用药规律。
智能诊断使原本复杂的中医辨证更加规范化、客观化、标准化, 从而让原本繁复的辨证变得规范且简易, 建立一套可供临床使用的标准化的辨证体系, 能提高疾病的中医诊疗技术水平, 为临床医师在治疗与研究疾病上提供科学的方法。动态不确定因果图 (Dynamic Uncertain Causality Graph, DUCG) 理论是近几年提出的一种用于处理不确定因果关系的理论模型方法, 以图形表示不确定的因果关系并根据其简化规则进行推理展开[2]。DUCG实现了不确定因果知识的简洁表达, 并提供了有效的概率推理, 使推理结果可以被解释[3], 避免了单一定性或定量方法的缺陷[4]。这是一种定性分析和定量分析相结合的方法, 弥补了纯定性方法或纯定量方法的不足, 并且已经通过实际的运用和验证, 其诊断的正确率高于单纯基于概率推理的贝叶斯网络。本文基于动态不确定因果图理论, 试探性地将其运用于中医诊断的思考过程作简单阐述, 以期进行下一步的实施应用。
1 DUCG简介
B类型变量 (事件) 是根变量 (原因事件) , 只有输出, 没有输入, 在图中用矩形表示, Bij表示变量i处于j状态。例如若表示根原因变量B1“饮食习惯”, 且该变量有饮食清淡, 嗜肥甘厚腻2个状态, 这2个状态分别用标号0、1来表示, 则B1, 0表示变量即饮食习惯处于0状态即饮食清淡, B1, 1就表示饮食习惯处于1状态及嗜肥甘厚腻;X是DUCG中的结果变量, 在图中用圆形表示, Xn K表示变量n处于k状态, 若X1表示变量为“头痛”, 且该变量有重痛、空痛两个状态, 这2个状态分别用标号0、1来表示, X1, 0表示变量X1处于0状态即重痛, X1, 1则表示变量X1处于1状态即空痛。Gn是DUCG中的逻辑门变量。Dn是DUCG中的缺省事件, 代表Xn的未知原因, 用五边形表示。DUCG已经应用到医药诊断[5]及核电、化工工程系统故障诊断领域[6], 其概率推理及简化过程已在既往文献中详细描述。 (见图1)
图1 DUCG示例
2 DUCG与中医诊断
从系统科学的角度来看, 人体即是一个开放的复杂巨大系统, 与之运行的环境息息相关。人体与自然界不断地进行物质能量交换, 如感受四时六气之变化;与社会无时无刻进行信息的交换, 如工作不顺导致情志不畅等。系统内部的相互作用, 使人体的生命状态达到一种平衡, 若由于各种不确定的因素而打破了人体系统与外界的平衡便会出现病态。由此可见, 人体发病的过程是一个复杂的不确定的过程, 中医医者判病往往单凭经验推理, 而对复杂系统的研究理应采用从定性到定量的综合集成方法, DUCG理论便可以帮助医者化简这一复杂的不确定的因果关系的表达与推理, 打破“中医是一门经验医学”这个谬论, 使原本抽象的中医学理论可以被解释, 也更有推导的依据。 (见图2)
图2 人体发病及中医诊病过程
3 中医诊断的DUCG模型
临床诊疗过程中常见的问题是不确定性, 机体在多种原因的影响下的一系列反应表现出来的症状是一个复杂的过程, 灵活和有效的程序可以辅助医者解决推理不确定性的问题。在应对这些问题, 我们提出了基于动态不确定性的智能诊断方法因果图适用于人体复杂系统的诊断模型。
3.1 中医学诊病的特征
中医学对致病因素即病因的认识, 常常分为外因、内因。外因有“六淫”, 即“风、寒、暑、湿、燥、火”。风、寒、暑、湿、燥、火是自然界四季的主气, 在正常时, 不会影响到人体脏腑发病, 这时称为“六气”。一旦六气“太过”或“不及”, 打破了人体内的阴阳平衡, 使人发病, 这时才称之为六淫[7]。六淫所致的发病, 多具有季节性。内因有“七情”, 即“喜、怒、忧、思、悲、恐、惊”。喜怒哀乐本乃人之常情, 关键在于“适度”。七情过度, 会导致气血紊乱, 脏腑失调而为病。除开内因外因, 还有虫兽咬伤等称不内不外因, 在此我们不予讨论。
DUCG的目的是在已知证据的情况下, 首先定性推理得出可能的假设事件集合, 然后在已知当前推理得出的假设事件的先验概率的条件下, 定量推理计算出当前可能的所有假设事件的后验概率。病证的诊断, 医学证据的输入通常包括症状、体征、既往病史、所处的环境 (气候、地域) 、心理因素、舌像、脉象等。首先, 患者的描述是最关键的信息。一旦主诉确定, 病症发作的特点便需要确定。例如, 每次发作的时间节律或是发作的持续时间。其次, 伴随症状的考虑, 如呕吐或恶心、易怒、耳聋、耳鸣、头痛、精神症状。第三, 收集饮食偏好、日常起居习惯等病史。第四, 查舌脉像。最后, 一些额外的测试也包含在内, 如闻诊、触诊等。此外, 在循证医学和社会-心理-生物模式的指导下, 患者的社会和心理状态以及可用的医疗信息在疾病的诊断和管理过程中应被视为一个整体, 因此, 我们采用的信息应综合涵盖客观和主观两方面。
3.2 一种基于动态不确定因果图的中医诊断模型
一个完整的智能诊断模型必须是庞大而复杂的。在此我们仅列出几项中医诊断下的病因和症状列于表1。
若该患者的异常状态为E=X1, 2X2, 3X4, 5…Xn, k, 其他X型变量的状态是正常的。当这些异常状态的信号被输入到DUCG后, DUCG的推理机将开始工作, 所有不相关或无意义的变量和因果关系都从DUCG中删除, 我们即可以得到一个建立在理论基础上而又客观的结果[8], 显著促进临床决策。同时, 它可以通过直观的插图作为医学生在学习一些疾病和相应临床特征之间的因果图的教育工具。图3展示了病因1的展开推理结果, 并且用不同的颜色表示不同的异常状态 (可从变量列表中查阅) 。下一步我们再用搜集的病例数据做验证, 检测其病因诊断的正确率是否达到有意义的水平。
表1 DUCG变量列表
图3 病因B1的诊断结果
4 讨论
对人体这一复杂系统的处理应采用多学科、多智能、交叉融合的方式。将DUCG用于人体系统的病因诊断, 以人体的发病过程作为实验对象, 调整构建了包含多个变量的中医诊病过程知识库, 我们企图开发一个动态不确定因果图为基础的临床决策支持系统。在这个系统中, 有多个变量参与, 使原本复杂的不确定的疾病与症状的因果关系简化, 使一个疾病的各个方面可以被描述在任意级别的粒度。在建模过程中, 症状、体征、检查结果、病史、病理生理学知识、社会心理和环境因素等与疾病有关的因素, 都纳入建模和诊断因果关系分析。此外, 使用的图形能够表示推理过程中表现出的直观的见解及基本的病理机制, 这使得诊断结论和建议更具解释力和说服力, 进一步提高临床决策的客观性。基于DUCG开发的故障诊断方法既包括根据主观经验知识建立的定性模型, 也含有客观定量的数据信息, 将基于知识库的定性分析方法与基于数据的定量分析方法的思想结合在了一起, 可以克服纯定性分析或纯定量分析方法的缺点, 具有十分重要的应用价值。
参考文献
[1]王静.基于本体的中医文献诊疗信息的智能检索示范研究[D].北京:中国中医科学院, 中国中医研究院, 2012.
[2]Zhang Qin, Dong Chunling, Cui Yan, et al.Dynamicuncertain causality graph for knowledge representation andprobabilistic reasoning:statistics base, matrix, and application[J].IEEE Transactions on Neural Networks and Learning Systems, 2013 (99) :1-18.
[3]曲彦光, 张勤, 朱群雄.动态不确定因果图在化工系统动态故障诊断中的应用[J].智能系统学报, 2015 (3) :354-361.
[4]杨佳婧, 张勤, 朱群雄, 等.动态不确定因果图在化工过程故障诊断中的应用[J].智能系统学报, 2014, 9 (2) :154-160.
[5]Dong CL, Wang YJ, Zhang Q, et al.The methodology of dynamic uncertain causality graph for intelligent diagnosis of vertigo[J].Computer Methods and Programs in Bio-medicine, 2014, 113 (1) :162-174.
[6]Zhang Qin, Dong Chunling, CUI Yan, et al.Dynamicuncertain causality graph for knowledge representation andprobabilistic reasoning:statistics base, matrix, and application[J].IEEE Transactions on Neural Networks and Learning Systems, 2014, 25 (4) :645-663.
[7]王洪利, 牛菁华.《内经》病因学说探析[J].中华现代中西医杂志, 2003 (9) :802-803.
[8]曲彦光.基于动态不确定因果图的化工过程动态故障诊断及状态预测[D].北京:北京化工大学, 2015.
