基于图数据模式匹配的《伤寒论》辨证论治计算机建模医理设计

总结和把握这些复杂的联系以指导临床，一直是困扰中医人的難题。

我们设想，将图数据与模式匹配相结合用于中医药知识表达与检索，一方面可以充分展现和挖掘中医药领域实体间的显性知识和隐性联系，另一方面，通过模拟人类的认知过程可以准确地匹配需要查询的信息，从而更好地服务于中医临床诊疗。

Neo4j不但可进行图数据库的构建，而且其自带的Cypher查询语言简洁、生动，可进行拓扑结构的数据匹配，其有向图的拓扑结构，与大脑思维类似[18]，有助于建立符合中医思维特点的检索路径，也为图数据的匹配提供了技术支持。

综上所述，上述技术为辨证论治计算机模型模拟大脑记忆与匹配，实现知识到应用提供了技术保证。综合这些技术，在辨证论治的理论框架下，将有望设计出一种具有拟人思维的智能体，用于辅助中医诊疗。

4 基于图数据与图模式匹配的计算机建模医理设计

本节将围绕“构建《伤寒论》辨证论治知识图数据库”和“计算机模拟辨证论治思维”2个主题进行详细阐述。

4.1 构建辨证论治知识图数据库

辨证论治知识图数据库的构建是计算机模拟拓扑认知的基础和进行辨证论治的前提。我们以Neo4j进行图数据库概念层和实体层的设计，概念层用于表达数据的类别与数据间的关联，实体层用于存储具体的数据。

4.1.1 图数据库的概念层设计 概念层描述了数据库里存储什么数据和数据之间的联系，是数据库的总体视图。中医学中有病、症、证、方、药等基本的术语概念，这些概念描绘了中医药知识的总体框架。因此，我们将病、症、证、方、药等作为图数据库的概念“节点”，以主治、药物组成等描述事物间联系的术语作为“关系”，形成以（药）->[组成]->（方剂），（方剂）->[主治]->（证）等“三元组”描述的概念层，以此划分方式作为概念层的设计方案。表1给出了概念层表述规范，图2给出了概念层设计样式。

4.1.2 图数据库的实体层设计 实体层由概念层对应的实例组成。例如，《伤寒论》中，“太阳病”是“六经病”对应的实例，“发热”“恶寒”等症状是“症”对应的实例，“伤寒表实”是“证”对应的实例，“麻黄汤”是“方”对应的实例，“麻黄”“桂枝”等药物则是“药”对应的实例。这些领域实体间通过相互连接而形成的关系用具有“主治”“组成”等含义的“边”进行表示，如“麻黄（节点）组成（关系）麻黄汤（节点）”。大量的“节点”与“边”的相互连接，便形成了拓扑有向图结构的辨证论治知识主体。图3给出了实体层设计样式。

从图3可看出，“节点”与“边”之间的相互连接，描绘出从一点发散至多点的辨证论治的思维路径。如太阳病出现“发热”“恶寒”“喘”“周身疼痛”“脉浮紧”的症状，可通过检索路径“（发热）、（恶寒）、（喘）、（周身疼痛）、（脉浮紧）->[Corresponding_to]->（伤寒表实）<-[Treat]<-（麻黄汤）<-[Part_of]<-（麻黄）、（桂枝）、（杏仁）、（炙甘草）”，获取相应的诊断和方药结果，从而进行有针对性的治疗。

综上所述，通过以上设计方案，形成了“症->证->方->药”的链式连接，这可模拟人的拓扑有向图认知结构，因此，更易于表达辨证论治的思维路径，发现知识间的关联。

由于知识的重要性与复杂性，本课题下一步的研究还需在领域专家的指导与帮助下，依据以上设计理念进行该数据库的具体构建。

4.2 计算机模拟中医辨证论治思维

在构建完成的《伤寒论》辨证论治知识图数据库的基础上，根据《伤寒论》第16条“观其脉证，知犯何逆，随证治之”的辨证论治原则和步骤，利用图数据库与图模式匹配技术。见图4。将该计算机模型设计为如下3个运行环节：1）输入症状，将其映射到数据库中的节点，即“观其脉证”;2）对映射的症状等节点进行匹配分析，明确映射的诊断结果，即“知犯何逆”;3）根据诊断结果检索方药，即“随证治之”。

1）、2）2个环节分别模拟“观其脉证，知犯何逆”的诊疗过程，在技术层面，利用Neo4j的Cypher语句的图模式匹配技术和Jaccard（杰卡德）相似度计算公式[19-20]对其进行设计。环节3）根据确立的诊断选择相应的治疗方药模拟了“随证治之”的诊疗过程，该环节将使用Cypher语句的图模式匹配技术进行设计。

简而言之，以上设计完成的是“症->证->方->药”的分析、推理流程，即据症辨证，以证立法，以法统方的辨证论治过程。

上述的3个计算机运行环节通过下列程序设计实现，其中Cypher指令说明见表2：

#Step1：输入症状，映射到数据库中的节点

Input：X

MATCH（n：Symptom）WHERE n.name in X

MATCH（n）-[r：Corresponding_to]->（C）RETURN COLLECT（C.name）

#Step2：对映射的症状等节点进行匹配分析，明确映射的诊断结果

For c in C：

MATCH（n：Syndrome）WHERE n.name=c

MATCH（y：Symptom）-[r：Corresponding_to]->（n）RETURN COLLECT（y.name）AS B

If t>Threahold：

MATCH（n）WHERE n.name=c

#Step3：根據诊断结果检索方药

MATCH（m：Herb）-[r：Part_of]-（q：Formula）-[r：Treat]->（n：Syndrome）

RETURN COLLECT（m.name），COLLECT（q.name）

注：#为注释，X为输入的症状，C为候选诊断，t为Jaccard相似指数，threahold为输出阈值。

Step1将输入症状（数据）与图数据库中的症状（数据）进行模式匹配，通过检索（Symptom）-[Corresponding_to]->（Syndrome）这一链式路径，输出可能的候选诊断，模拟医生将收集到的病例信息与记忆中的医学知识进行匹配，初步分析病情的思维过程，即“观其脉证”的过程。

Step2旨在对候选诊断进行筛选，其筛选过程是运用Jaccard公式计算候选诊断所对应的的症状与输入症状的相似度，判断2者是否契合，以此模拟大脑对“症”与“证”之间契合度的联想与认知，即“知犯何逆”的过程。本例中Jaccard公式为：

输出阈值（threahold）可由医生自主设定，当t超过阈值则输出该证型结果。需要说明的是若输出了2个或2个以上的证型结果即复合证型，可将相似指数较高的结果判定为主要证型，其余的证型判定为次要证型。当然，医生也可根据临床实际，仅选取相似指数较高的结果作为最终诊断，不考虑次要证型的存在;若无结果输出，可通过适当降低输出阈值使结果尽可能输出，但此时诊断结果的客观性降低，医生尤须谨慎。

Step3根据输出的证型结果，通过检索（Herb）-（Part_of）-（Formula）-（Treat）->（Syndrome）这一链式路径，输出相应的方剂和药物结果，模拟“随证治之”的过程。

5 讨论

在“观其脉证，知犯何逆，随证治之”的辨证论治思维指导下，本模型设计展现出了一定的拟人诊疗思维过程，可降低对大规模质量医案数据的依赖，但尚存在以下问题值得进一步深入研究。

5.1 症状权重的差异 症状是中医辨证论治的基础。在不同的证型中，症状的重要性不尽相同，如“无汗”这一症状对于判断是伤寒表实证的重要性较高，而对判断是太阳病中风表虚证的重要性则较低，在计算机中，它们同样应当体现为每一个症状对于证型诊断权重的不同，但本模型在进行症状与证型的模式匹配中，实际上是将症状“平等对待”而忽略了它们之间的差异性，这无疑对诊断结果的合理性产生了一定影响。此类问题有望进一步通过吉布斯采样的方法赋予症状权重，加以解决。

5.2 方剂的加减化裁 方剂的加减化裁是指方剂通过药味加减、药量加减和剂型变换，使方药与病证吻合的过程[21]。面对复杂的临床症状，本模型虽然通过对映射的症状等节点进行匹配以及Jaccard相似度的计算结果排序，输出证型并判定出主证与兼证，进而检索出相应主证与兼证的方药，但这种方药输出的过程仅是在主方的基础上，对多个治疗兼证的方剂相加。因此，如何在确立主证对应主方的基础上，根据兼证的病机特点与主方中已有的药物进行加减化裁，更好地契合当前出现的病证是本设计有待完善的方面。

6 展望

本文提出构建的创新模型将《伤寒论》辨证论治思想和计算机领域涌现的图数据库和图模式匹配技术结合起来，模拟辨证论治思维，为辅助中医智能化诊断奠定了基础。本课题组将进一步开展深入研究，与认知计算相结合，使模型更加符合《伤寒论》“观其脉证，知犯何逆，随证治之”的辨证论治精神。未来，随着图数据库技术的不断发展，其辅助中医智能诊疗模型构建的前景将更加广阔。

參考文献

[1]王庆国.伤寒论讲义[M].2版.北京：高等教育出版社，2012：5.

[2]平军娇，邓顺顺，万静，等.伴与不伴抑郁症状的首发精神分裂症患者脑源性神经营养因子、同型半胱氨酸及C-反应蛋白水平比较[J].新乡医学院学报，2018，35（8）：697-700.

[3]杨佳澄，党建武，王晓明.基于模糊神经网络理论的中医辅助诊断初探[J].兰州交通大学学报，2015，34（3）：118-122.

[4]朱咏华，朱文锋.基于贝叶斯网络的中医辨证系统[J].湖南大学学报：自然科学版，2006，33（4）：123-125.

[5]张跃宏，刘平，张琴，等.基于粗糙集与广义关联度系数的贝叶斯中医证候分类模型[J].统计与决策，2008，24（12）：159-161.

[6]王键，张光霁.中医基础理论[M].3版.上海：上海科学技术出版社，2018：9.

[7]（美）DonaldE.Knuth.计算机程序设计艺术[M].3版.北京：人民邮电出版社，2010：362-372.

[8]Jaiswal G.Comparative analysis of Relational and Graph databases[J].International Journal of Soft Computing and Engineering，2013，3（8）：25-27.

[9]Pokorny J.Functional Querying in Graph Databases [J].Vietnam Journal of Computer Science，2018，5（2）：95-105.

[10]Zou L，Chen L，Zsu M T.Distance-Join：Pattern Match Query In a Large Graph Database[J].Proceedings of the Vldb Endowment，2009，2（1）：886-897.

[11]Kucukkecesi C，Yazici A.Big Data Model Simulation on a Graph Database for Surveillance in Wireless Multimedia Sensor Networks[J].Big Data Research，2018，11（3）：33-43.

[12]Miller JJ.Graph Database Applications and Concepts with Neo4j.Proceedings of the Southern Association for Information Systems Conference[C].Atlanta，GA，USA.2013.Atlanta：The Southern Association for Information Systems Press，2013.

[13]Summer G，Kelder T，Ono K，et al.cyNeo4j：connecting Neo4j and Cytoscape[J].Bioinformatics，2015，31（23）：3868-3869.

[14]Bottomly D，Mcweeney S K，Wilmot B.HitWalker2：visual analytics for precision medicine and beyond[J].Bioinformatics，2016，32（8）：1253-1255.

[15]Stark B，Knahl C，Aydin M，et al.BetterChoice：A migraine drug recommendation system based on Neo4J.2017 2nd IEEE International Conference on Computational Intelligence and Applications（ICCIA）[C].New York：Institute of Electrical and Electronics Engineers Press，2017.

[16]Deffur A，Wilkinson R J，Mayosi B M，et al.ANIMA：Association network integration for multiscale analysis[J].Wellcome Open Research，2018，3：27.

[17]Fan W，Li J，Ma S，et al.Graph pattern matching：from intractable to polynomial time[J].Proceedings of the Vldb Endowment，2010，3（1-2）：264-275.

[18]刘知远，孙茂松，林衍凯，等.知识表示学习研究进展[J].计算机研究与发展，2016，53（2）：247-261.

[19]汪婧，荣升格.基于杰卡德相似性的推荐系统研究[J].安徽工程大学学报，2013，28（3）：73-76.

[20]张晓琳，付英姿，褚培肖.杰卡德相似系数在推荐系统中的应用[J].计算机技术与发展，2015，25（4）：158-161，165.

[21]李冀著.方剂学[M].3版.北京：中国中医药出版社，2012：20-21.

（2018-08-27收稿 责任编辑：杨阳）