论智能中医辨证可解释研究的挑战和研究思路

张婷婷; 王亚强; 温川飙; 叶莹

doi:10.13288/j.11-2166/r.2022.06.002

您当前的位置：

首页 >

文章列表页 >

论智能中医辨证可解释研究的挑战和研究思路

学术探讨 | 更新时间：2022-04-12

- 论智能中医辨证可解释研究的挑战和研究思路
- Challenges and Ideas in the Interpretability of Intelligent Syndrome Differentiation of Traditional Chinese Medicine
- 中医杂志 2022年63卷第6期页码：506-510
- 作者机构：
  
  1.成都中医药大学，四川省成都市金牛区十二桥路37号，610075
  2.成都信息工程大学
- 作者简介：
  
  yeying@cdutcm.edu.cn
- 基金信息：
  
  国家自然科学基金(61801058);中国博士后科学基金(2021M693785);成都中医药大学“杏林学者”学科人才科研提升计划(BSH2020031);成都中医药大学校教育教学改革基金(XJG2019-11982)
- DOI：10.13288/j.11-2166/r.2022.06.002
  中图分类号：
- 收稿：2021-11-04，
  
  修回：2021-11-29，
  
  纸质出版：2022-03-17
- 稿件说明：
移动端阅览
张婷婷,王亚强,温川飙等.论智能中医辨证可解释研究的挑战和研究思路[J].中医杂志,2022,63(06):506-510.

ZHANG Tingting,WANG Yaqiang,WEN Chuanbiao,et al.Challenges and Ideas in the Interpretability of Intelligent Syndrome Differentiation of Traditional Chinese Medicine[J].Journal of Traditional Chinese Medicine,2022,63(06):506-510.
张婷婷,王亚强,温川飙等.论智能中医辨证可解释研究的挑战和研究思路[J].中医杂志,2022,63(06):506-510. DOI： 10.13288/j.11-2166/r.2022.06.002.

ZHANG Tingting,WANG Yaqiang,WEN Chuanbiao,et al.Challenges and Ideas in the Interpretability of Intelligent Syndrome Differentiation of Traditional Chinese Medicine[J].Journal of Traditional Chinese Medicine,2022,63(06):506-510. DOI： 10.13288/j.11-2166/r.2022.06.002.

摘要

智能中医辨证的研究已有数十年的历史，但由于不理解机器做出决策的原理，决策者难以信任机器的辨证结果，导致至今智能辨证的临床应用仍十分有限。通过分析中医智能辨证的发展，认为其局限主要包括有限的可用数据、语料库的缺乏、评价方法的局限，且中医辨证本身的解释难度大和非规范化等因素，致使中医辨证可解释研究的开展面临挑战。提出智能辨证可解释研究具有必要性和可行性，未来的可解释研究需要多学科合作，充分利用已有的解释资源，构建辨证的解释体系和大型语料库，以支持对可解释智能中医辨证的探索。

Abstract

Although it has been decades since the intelligent syndrome differentiation was produced in traditional Chinese medicine （TCM）， its clinical application has been limited due to the difficulty in understanding how machines make decisions and thereafter the distrust of decision makers in the machine results. The development of intelligent TCM syndrome differentiation is mainly restricted by limited available data， lack of corpus， insufficient evaluation methods， as well as the challenges in interpretability and standardization of TCM syndrome differentiation. Therefore， it is necessary and feasible to conduct researches to explore the interpretability of intelligent TCM syndrome differentiation by integrating multi-disciplines， making full use of existing interpretability-related resources， and building syndrome-differentiated interpretable system and large corpora.

关键词

Keywords

references

白春清 . 中医专家系统三十年［J］. 医学信息（上旬刊）， 2011 ， 24 （ 2 ）： 550 - 552 .

杨涛，朱学芳 . 中医辨证智能化研究现状及发展趋势［J］. 南京中医药大学学报， 2021 ， 37 （ 4 ）： 597 - 601 .

石英杰，李宗友，赵攀，等 . 我国中医计算机辅助诊断研究热点与趋势的知识图谱分析［J］. 中国中医药图书情报杂志， 2021 ， 45 （ 2 ）： 11 - 18 .

韦昌法，晏峻峰 . 从知识表示与推理方法探讨中医数字辨证发展［J］. 中华中医药杂志， 2019 ， 34 （ 10 ）： 4471 - 4473 .

李新龙，刘岩，何丽云，等 . 知识图谱研究概况及其在中医药领域的应用［J］. 中国中医药信息杂志， 2017 ， 24 （ 7 ）： 129 - 132 .

HU Q ， YU T ， LI J ， et al . End-to-End syndrome differentiation of Yin deficiency and Yang deficiency in traditional Chinese medicine ［J］. Comput Meth Prog Bio ， 2019 ， 174 ： 9 - 15 . doi 10.1016/j.cmpb.2018.10.011.

李佳佳 . 基于深度学习的高血压病肝火亢盛证面部色诊研究［D］. 北京：中国中医科学院， 2020 .

张阳，凌娜，张国华，等 . 基于深度学习多囊卵巢综合征辨证分型的构建与实现［J］. 辽宁中医药大学学报， 2019 ， 21 （ 5 ）： 13 - 16 .

LIANG Z ， LIU J ， OU A ， et al . Deep generative learning for automated EHR diagnosis of traditional Chinese medicine ［J］. Comput Meth Prog Bio ， 2019 ， 174 ： 17 - 23 . doi： 10.1016/j.cmpb.2018.05.008 http://dx.doi.org/10.1016/j.cmpb.2018.05.008 .

ZHANG T ， LIU M . The causality research between syndrome elements by attribute topology ［J］. Comput Math Methods Med ， 2018 ： 9707581 . doi： org/10.1155/2018/9707581 http://dx.doi.org/org/10.1155/2018/9707581 .

WAN H ， MOENS M ， LUYTEN W ， et al . Extracting relations from traditional Chinese medicine literature via heterogeneous entity networks ［J］. J Am Med Inform Assoc ， 2016 ， 23 （ 2 ）： 356 - 365 .

ZHANG H ， NI W . Artificial intelligence-based traditional Chinese medicine assistive diagnostic system： Validation study ［J］. JMIR Medical Informatics ， 2020 ， 8 （ 6 ）： e17608 . doi： 10.2196/17608 http://dx.doi.org/10.2196/17608 .

ZHOU X ， CHEN S ， LIU B ， et al . Development of traditional Chinese medicine clinical data warehouse for medical knowledge discovery and decision support ［J］. Artif Intell Med ， 2010 ， 48 （ 2/3 ）： 139 - 152 .

DOSHI-VELEZ F ， KIM B . Towards a rigorous science of interpretable machine learning ［J］. arXiv ， 2017 ： 1702 . 08608.

GUNNING D ， AHA DW . DARPA's Explainable Artificial Intelligence Program ［J］. AI Magazine ， 2019 ， 40 （ 2 ）： 44 - 58 .

SAMEK W ， MONTAVON G ， VEDALDI A ， et al . Explainable AI： interpreting， explaining and visualizing deep learning ［M］. Switzerland ： Springer Nature ， 2019 .

LECUN Y ， BENGIO Y ， HINTON G . Deep learning ［J］. Nature ， 2015 ， 521 （ 7553 ）： 436 - 444 .

LINARDATOS P ， PAPASTEFANOPOULOS V ， KOTSIANTIS S . Explainable AI： A review of machine learning interpretability methods ［J］. Entropy （Basel）， 2020 ， 23 （ 1 ）： 18 .

GUIDOTTI R ， MONREALE A ， RUGGIERI S ， et al . A survey of methods for explaining black box models ［J］. ACM Comput Surv （CSUR）， 2018 ， 51 （ 5 ）： 1 - 42 .

ADADI A ， BERRADA M . Peeking inside the black-box： a survey on explainable artificial intelligence （XAI）［J］. IEEE access ， 2018 ， 6 ： 52138 - 52160 . doi： 10. 1109/ACCESS.2018.2870052 http://dx.doi.org/10.1109/ACCESS.2018.2870052 .

POPIN R ， VARADARAJAN A ， KATYBLUMER ， et al . Predicting cardiovascular risk factors from retinal fundus photographs using deep learning ［J］. Nat Biomed Eng ， 2018 ： 158 - 164 . doi： 10.1038/s41551-018-0195-0 http://dx.doi.org/10.1038/s41551-018-0195-0 .

KERMANY DS ， GOLDBAUM M ， CAI W ， et al . Identifying medical diagnoses and treatable diseases by image-based deep learning ［J］. Cell ， 2018 ， 172 （ 5 ）： 1122 - 1131.e9 .

王雨虹 . 面向TNM分期的中文影像报告肿瘤信息提取研究［D］. 杭州：浙江大学， 2020 .

朱文锋 . 中医诊断学［M］. 北京：中国中医药出版社， 2007 .

骆明楠 . 面向智能舌诊的注意力卷积网络研究［D］. 广州：华南理工大学， 2020 .

PANG H ， WEI S ， ZHAO Y ， et al . Effective attention-based network for syndrome differentiation of AIDS ［J］. BMC Med Inform Decis ， 2020 ， 20 （ 1 ）： 1 - 10 .

CAO C ， SUN M ， WANG S . Extracting terms from clinical records of traditional Chinese medicine ［J］. Front Med Prc ， 2014 ， 8 （ 3 ）： 347 - 351 .

LI Y ， ZHOU X ， ZHANG R ， et al . Detection of herb-symptom associations from traditional chinese medicine clinical data ［J］. Evid Based Compl Alt ， 2015 ： 1 - 11 . doi： 10.1155/2015/270450 http://dx.doi.org/10.1155/2015/270450 .

XU D ， ZHANG M ， ZHAO T ， et al . Data-Driven Information extraction from Chinese electronic medical records ［J］. PLoS One ， 2015 ， 10 （ 8 ）： e0136270 . doi： 10. 1371/journal.pone.0136270 http://dx.doi.org/10.1371/journal.pone.0136270 .

ZHANG T ， WANG Y ， WANG X ， et al . Constructing fine-grained entity recognition corpora based on clinical records of traditional Chinese medicine ［J］. BMC Med Inform Decis ， 2020 ， 20 （ 1 ）： 2 - 17 .

JOSÈ HO . Evaluation in artificial intelligence： from task-oriented to ability-oriented measurement ［J］. Artif Intell Rev ， 2017 ， 48 （ 3 ）： 397 - 447 .

查看原文

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

复杂性科学思想指导下人工智能驱动中医药守正创新的研究路径探讨

基于深度学习的桡骨远端骨折掌倾角与尺偏角自动测量模型构建及临床验证

基于多模态大模型中医大数据平台的多中心社区获得性肺炎真实世界队列的构建与应用

人工智能赋能名医经验传承存在的问题与思考

人工智能与大模型算法在中医脾胃病研究中的应用