基于深度学习的中医药研究应用

文/管飞诗

困难性描述、客观的判断指标少在传统中医药理论及操作技能中存在原因，中医药的全面发展受到了影响。近年来的中医药信息化，使现代计算机科学重要技术运用到中医药研究中，促进了我们传统中医药事业的发展。大数据和机器学习是近些年来运用中医药研究应用比较广泛的技术，根据机器学习的发展历程，可将机器学习分为大致两个阶段：传统机器学习、深度学习阶段。传统机器学习技术在中医药研究应用中取得良好的效果，但总有有些不尽人意的之处。近些年兴起的深度学习因其高可用性，也引发中医药研究人员研究热潮。

本文先对传统的机器学习技术在中医药研究应用进行总结，然后介绍神经网络进而引出深度学习的概念，然后介绍深度学习在中医药领域研究应用，提出深度学习在中医药领域的一些应用及挑战，以期待深度学习技术在中医药研究应用方面提供新的思路。

1 机器学习技术在中医药研究应用

1.1 机器学习

机器学习总体设计是想通过简单的程序能够赋予计算机学习的能力。为人工智能的一个应用，使得计算机可以使用现有数据对内部机制无法判断或无效定义的问题进行有效的预测。在医学诊断中，机器学习算法中的聚类算法、分类算法、回归算法以及关联规则算法均得到了应用。

1.2 机器学习在中医药领域研究应用

中医病症原始数据的采集方法可能混杂有不规范数据或噪声数据，影响了统计分析的结果，而这是中医病症数据的特点之一。如何从众多的数据中，寻找规律性，提取出潜在有价值的信息，机器学习在该方面发挥了很好了作用。机器学习联合统计分析形成数据挖掘技术，该技术为银行、电信、保险、交通、医学等很多领域解决许多问题，发挥着积极作用。数据挖掘的方法包括决策树、贝叶斯网络、神经网络、多元统计、聚类、关联规则、时间序列等。国内许多学者在中医症候方面运用数据挖掘中聚类分析、关联规则分析、决策树分析、人工神经网络等方法进行研究，并取得良好的效果。在中医药领域除了症候方面，其他方面也涉猎。其他学者运用关联规则分析、频数分析、文本挖掘、聚类分析等方法在中医药文献方面进行研究；中医药方剂研究应用中运用k-均值值聚类算法对中药叶片显微图像进行分割研究。

机器学习在中医药研究应用的成就是值得肯定的，但也存在这一些不尽人意的地方。主要问题是：

1.2.1 结果准确性

图1：人工神经元模型

图2：简单神经网络模型

很多系统是基于某些专家的系统，领域比较单一，专家对于自己领域的东西不容置疑，对于其他方面就显得力不从心，中医药知识广度不够。

1.2.2 数据采集的质量和数量难以保证

基于以上问题，机器学习的深层学习的特点可以避免一些传统机器学习技术在中医药研究应用中的弊端。

2 深度学习在中医药研究应用探索

2.1 深度学习

深度学习是一种深层的机器学习模型，主要体现在对特征的多次变换上。常见的深度学习模型为多层神经网络，神经网络的各个层都将输入非线性映射，通过多层非线性映射的堆叠，可以在深层神经网络中归纳出比较抽象的特征来支持分类。深度学习的基础是人工神经网络，其广泛使用在20世纪80年代，简称神经网络。80年代中期反向传播BP算法被应用于训练神经网络，解决了多层感知器无法训练的问题，以训练多层感知器ML平为代表的神经网络模型最为成功。后来又提出限制性玻耳兹曼机RBM等。

人工神经网络不要求精度高的数学建模，不对任何变量做假设要求，能通过模拟人的智 能行为处理非简单的，模糊的、非线性问题。

人工神经元模型如图1，图中X1～Xn是从其它神经元传入的输入信号。神经元综合的输入信号和偏置相加之后产生当前神经元最终的处理信号net，该信号定义为净激活,它作为图1中圆圈的右半部分f（*）函数的输入，即f(net),f叫做激活函数。图1中y是该神经元的输出。

图3：多隐藏层神经网络

神经网络模型如图2、图3。所说的神经网络就是将许多个一“神经元”联合在一起，这样一个“神经元”的输出就可以是别的“神经元”的输入。例如，图2是一个只有一个隐藏层的简单神经网络，而图是有多个隐藏层及多个输出单元的神经网络。

2.2 深度学习算法及优势

相同的核心学习算法是深度学习模型和算法基础。深度神经网络包括输入层、多个隐含层以及输出层。深度学习的优势是：突出了模型结构的深度，大多数情况下有多于5层的隐层节点；强调了特征学习的重要性，每层的特征变换，学习到的知识传递，使下一次特征更加优化，原空间的样本特征通过变换，促成新的样本特征空间，以便使分类或预测更快更准确，接近人类的判断结论。

2.3 深度学习在中医药研究应用探索

深度学习与传统的机器学习算法区别比较明显，深度学习不要求对特殊的知识进行全面掌握就可以胜任特征构造与提取，于此，和传统的三层人工神经相比较，模型在输入层和输出层之间添加了多个隐含层。这使更多的学者能参与到中医药研究应用中来。目前国内对于深度学习在中医药研究应用中还是处于个别的领域。邵尤伟将深度学习运用在中医诊断中的舌诊中；温川飙等通过深度学习对中医药中的穴位敏化进行研究；曹继忠等通过机器学习从症候延伸到方剂方面的研究。

3 展望

中医及中药各项特征的复杂性，以及之间的大量的线性和协同关系，就目前的机器学习，即浅层学习很难准确的找出其中之间的关系。深度学习的兴起与进一步发展，使中医药研究应用发展看到了新的希望，深度学习应用在中医药研究应用中应该是比较一个有前景的研究方向，希望本篇文章能给中医药研究者带来新的思路。