中医证候研究的人工神经网络方法探析

中医理论体系的特点是基础理论与临床实践紧密结合。证是联系两者的纽带，是将理论付诸实践的关键环节。证候研究是发展中医理论、提高临床疗效的有效途径和必由之路，也是制约中医发展的瓶颈。

Artificial neural network (artificial neural network,

ANN)是一门融合了计算机科学、信息科学、工程科学、医学、生物学、数学、物理学等多门学科的交叉学科，自20世纪80年代中后期以来发展迅速。

它以其强大的非线性映射特性，逐渐成为人们研究非线性世界和探索一些复杂系统的有力工具。笔者试图探索将人工神经网络方法引入中医证候研究的可行性。

人工神经网络的原理与应用模拟神经系统的生物现实(基于解剖学、生理学和生物化学的研究成果)，建立类似于生物原型的信息处理数学模型，从而形成一种新型的智能信息处理系统。

该系统具有大规模并行处理模式、良好的容错性、独特的信息存储方式以及强大的自学习、自组织和自适应能力，使其广泛应用于模式识别、控制优化、信息处理、故障诊断和预测等领域。

其理论和技术方法在工程、医疗卫生领域显示出巨大的吸引力，具有广阔的应用前景。在医学领域，已成功应用于疾病预测、临床诊断分类、药物分析、中药质量评价、医学信号处理、图像分析等。

人工神经网络的原理是通过模拟生物神经网络的结构和功能，有效地处理各种信息。它通常包括一个输入层、一个输出层和一个或多个隐藏层，其基本单元是神经元。输入层接收外部信号而不进行处理。

直接引入神经网络；隐层位于网络的输入层和输出层之间，可以包括多层，对输入信息进行处理，并将处理后的信息传递给输出层(或下一个隐层)；输出层输出由隐藏层处理的结果。

人工神经网络的一个显著特点是通过自动学习来解决问题。样本的学习过程就是逐步确定网络中神经元之间的连接强度(即权重系数)的过程。通过学习样本，我们可以学习识别自变量和因变量之间复杂的非线性关系。

经过充分学习后，神经网络获得样本的特征规则。这些规则以数字的形式分布存储在网络的连接权中，从而形成系统的非线性映射模型。这样的网络不仅可以准确地识别它已经学习的样本，

而且，它能准确识别未学习过的样本，甚至能完全逼近任何复杂的非线性映射关系。可见，人工神经网络不需要精确的数学模型，而是模拟了人的联想推理和抽象思维能力。

解决许多传统自动化技术无法解决的复杂、不确定、非线性的自动化问题。2中医证候系统的非线性特征“线性”与“非线性”是区分事物复杂性的标尺。在数学方面，

当两个变量(自变量和因变量)之间的关系成正比时，称为线性关系，否则称为非线性关系。在生命科学中，由上述概念衍生出来的线性和非线性逻辑更加实用，非线性逻辑代表的是事物组成部分之间的相互作用。

它不是独立的、正则的、无限可微的、光滑的，即整体不等于部分之和。这是复杂系统的典型特征之一。人体是一个复杂的适应系统，可以随着内外环境的变化相应地调整其内部运行机制。

这种自适应性是生命繁衍和生存的基本能力。当内外环境的变化超过了机体的适应能力时，机体就处于一种过度调节的病理状态，这种状态的总体概括就是证候。

证候是疾病发生发展过程中某一时间段机体功能状态的综合反映，可分为“证”和“症”两个方面。“证”是指在一定时间内对疾病的病因、病机、部位、性质和趋势的总体概括。

反映病理状态的本质；“候”是指身体的体征(症状、体征等。)的这种病理状态。人体是一个复杂系统，中医理论体系中以五脏为中心的功能结构系统也具有复杂系统的特征，属于复杂系统。

复杂系统的一个典型特征是整体涌现特性。突现性指出，在具有层级结构的复杂系统中，高层系统质量的某些功能特征是通过低层系统因素的相互作用而“涌现”出来的。

这些较高层次的功能特征在降低到较低层次时就不复存在了，这就是所谓的“突现现象”。五脏功能系统中各系统的功能是分子、细胞、器官、组织等层次结构逐渐出现的结果。在涌现过程中，有各种各样的空间分布形式。

还有快速变化的时间存在方式。当用先进的科学手段逐步还原基因、蛋白质水平等更低级的结构来探索五脏的本质时，通过复杂的时空联系逐渐出现各种层次的结构所形成的基本生命机制已经消失。

中医理论框架中的证候体系也具有涌现的特征，那些可观察到的身体表象，表达的是人体各个层次功能失调逐渐涌现的结果。任何低层次的结构或功能障碍都可以通过“涌现”形成更高层次的结构或功能障碍。

直到上升到整体层面可观察到的功能紊乱状态，才表现出各种外在现象。这里，通过涌现形成的证候体系具有典型的时空结构特征。当用各种先进的还原方法探索证候的本质时，证候的时空结构早已被破坏。

当然，本质特征也消失了，这可能是目前证候本质研究陷入困境的根本原因。可见，证候很好地把握了复杂人体系统在疾病发展的各个时点上的涌现特征，证候与症状的关系是“以症为证”。证候是本质，

侯就是这个样子。本质和表象之间有各种层次的涌现，所以证候是一个非线性的复杂系统。同时，由于机体的病理状态会随着自身抗病能力的调整、病程的进展和药物干预的影响而不断变化，

同一种疾病在不同的时间段会表现出不同的证候，不同的疾病在某个时间段有时会表现出相同的证候。此外，当医生从不同的角度、方法和环境进行观察时，证候往往以不同的界面呈现给观察者。

从而表现出不同的证候。再者，每个个体的体质、气质、性格特征、生活习惯、生活环境以及医生的经验、直觉、感知等不确定性也是导致证候多样性的重要原因。这说明证候是动态的、变化的、复杂的。

辨证实际上是通过观察外在症状来确定机体内在证候(病机状态)的过程。因此，中医证候诊断系统是一个可以无限组合的非线性、多维度、多层次的复杂巨系统。

3人工神经网络应用于证候研究的可行性证候的非线性和复杂性特征给证候的规范化研究和证候本质的研究增加了相当大的难度。即使在目前，也不可能用还原分析的方法揭示证候的本质特征，更不可能实现数学建模。

那么，你能想象建立一个模型吗？证与证之间的非线性映射关系可以在不知道内部结构的情况下完全模拟出来。基于黑盒结构的人工神经网络可以实现这一思想，利用网络的自动学习能力，

在充分识别“后”的表征信息的基础上，自动提取这些信息所包含的内在规律，分布在网络的连接权中，从而建立“后”与“正”的非线性映射函数。这里，

样本(证候)概括为输入和输出之间的一对抽象的数学映射，以“后”(各种物理表征信息)为输入单位，“证候”为最终输出结果。医学诊断的过程被认为是一个映射问题。

神经网络通过输入和输出的映射，将“证候”与“证候”的对应关系转化为一个非线性优化问题。虽然网络模型的内部结构并不清晰，但该模型可以充分近似证与证之间的非线性映射关系，近似反映证候的全貌。

不打开黑箱，建立证候模型，反映证候的内在规律和特点，是一种有效的方法。虽然证候标准化对基本证型规范、复合证型规范和病证结合证型规范进行了大量研究，但是，

令人不解的是，经过定性或定量标准化后的一系列证候诊断标准，学术界并未达成共识。长期以来，病证同名、辨证分型、证型复杂、标准不一的混乱局面依然存在。

难题的症结在于，目前实施规范的技术方法难以全面反映证候体系的真实面貌，这样的规范之后当然也难以广泛实施标准。一般认为。科学领域有一个认知规律：规则可以通过归纳产生，

当用足够的样本集表达时，可以生成完全正确的规则。中医证候的诊断规则包含在足够多的样本集中。利用神经网络的自主学习能力，从大量样本中提取证候特征的规则，可以提取出更全面的内在规律。与此同时，

网络的自组织和自适应也可以加强识别具有相似边缘的案例的能力。这样的证候诊断模型必将更接近证候的真实面貌，是今后证候规范化研究的可行方法。当然，

人工神经网络建立的证候模型是否具有较强的泛化能力，取决于训练样本的内容和样本所包含信息的综合程度。因此，需要保证训练样本的内容足够大，样本中包含的证候诊断信息足够全面。

只有这样，我们才能尽可能真实地展现证候的全貌。综上所述，证候研究可以尝试使用大量的临床观察病例作为研究数据，采用人工神经网络技术，通过网络训练和学习，从样本中自动获取规则，建立证候的网络模型。

这个模型用来区分新病例，成为“辨证的智能专家”。4基于神经网络的证候研究方法人工神经网络有多种类型，分为功能特性和学习能力。

典型的神经网络模型主要有感知器、线性神经网络、多层前馈神经网络、自组织映射网络和反馈神经网络。作者认为BP神经网络和在此基础上发展起来的模糊神经网络更适合中医证候诊断。

BP神经网络的应用反向传播网络是指基于误差反向传播(BP算法)的多层前向神经网络。它是应用最广泛的神经网络学习算法。

BP网络神经元采用的传递函数通常是非线性Sigmoid型可微函数，因此可以实现输入和输出间的任意非线性映射，由于误差反向传播网络及其算法增加了中间隐含层并且有相应的学习规则可循，

使其对非线性模式具有较强的识别能力。网络除输入输出节点外，有一层或多层的隐含层节点。同层节点之间无连接，每层节点的输出只对下一层节点的输出有影响。网络的训练过程，

就是不断将计算输出与期望输出值的误差反传给网络，从而调整输出层与隐含层及隐含层与输入层间的权重大小，直至计算输出与期望输出值的误差最小为止。

该算法中的每一个训练样本在网络中都经过两遍传递计算：一遍向前传播计算，从输入层开始传递到各层，经过处理后产生一个输出，并得到一个实际输出和所需输出之间的差错向量：一遍反向传播计算，从输出层到输入层，

使用误差梯度下降法，修改各层神经元的联接权值，最终使误差达到期望目标。但经典的BP学习算法还存在一些缺点，比如收敛速度比较慢，在有限的时问内难以达到预定的目标，

以及完成训练的网络的推广能力不强、局部极小问题等。针对上述缺陷，可以对网络进行必要的改进。如通常采用一些全局最优化算法与之相结合的方法，使实际的输出更加精确。

模糊神经网络的应用与神经网络模拟人脑的结构以及对信息的记忆和处理功能、擅长从输入输出数据中学习有用的知识不同，模糊控制则是模拟人的思维和语言中对模糊信息的表达和处理方式，擅长利用和表达人的经验知识，

可以处理带模糊性的信息。模糊控制技术以模糊逻辑为基础，模仿人的模糊综合判断推理能力，来处理常规方法难以解决的模糊信息处理问题。中医证候系统具有非线性复杂性特征，可以利用人工神经网络，

在不了解其黑箱结构的前提下，通过对证候各组成要素内在规律的自动提取，建立输入与输出的非线性映射关系，从而建立证候的神经网络模型。

但中医证候学的物理表征信息(症状、体征等)通过医生的望、闻、问、切而获得，属于经验性知识，具有典型的模糊性、不确定性特征，更适合于利用模糊系统来表达，

但是模糊系统的规则集和隶属函数等设计参数却只能靠经验来选择，很难自动设计和调整，这是模糊系统的缺点。若用神经网络来构造模糊系统，就可以利用神经网络的学习方法，

根据输入输出样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。这种模糊神经网络集中了模糊控制技术和人工神经网络的双重优点，扩大了系统处理信息的范围，

是当今智能控制领域的研究热点，也更适合用于中医证候的研究。在这里，模糊系统和神经网络的连接可以采用串联型和网络学习型两种结构结合在一起的形式，先用神经网络对训练样本证候的物理表征信息进行充分学习，

得到它们对证候诊断的隶属函数，构造模糊系统，并将这个系统与神经网络相连，从而建立证候的模糊神经网络模型。实现证候的智能化诊断。目前，我们正在进行的基于模糊神经网络的糖尿病肾病中医证候规范研究，

其方法就是利用模糊多层感知器网络(FMLP)，构建糖尿病肾病中医证候的模糊神经网络模型。我们并同时利用基于BP算法的多层前馈神经网络(BP)，以相同的观察资料为研究对象，

构建糖尿病肾病中医证候的BP神经网络模型，从解决实际问题的能力比较两种模型的性能，以确立较优糖尿病肾病中医证候神经网络模型。

样本集采用国家中医药管理局课题“中医药治疗糖尿病肾病临床疗效评价信息处理研究”所获得的一组糖尿病肾病临床病例资料，先对样本所涉及的所有症状和体征(症、舌、脉等)进行模糊聚类分析，初步获得基本证型，

从上述证型中取23样本并配以相同样本数的正常样本作为训练样本集，剩余13配以相同样本数的正常样本作为测试样本集。依据基本证型所涵盖的症状设定输入节点数目，依据基本证型确立输出节点数目，

首先根据各个输入节点的模糊隶属度函数(通过神经网络学习而获得)对输入信息进行模糊化处理建立模糊系统。并将这个系统与BP网络相连，针对输入信息所具有的特点，选取相应的函数作为教师，

来指导神经网络对训练样本利用梯度下降法进行训练，利用网络的自学习能力不断调整网络的联接权值，直至网络的模糊隶属度函数趋稳，结束训练，即建立了糖尿病肾病证候的模糊神经网络模型，

用训练好的模糊神经网络对测试样本集进行检验，得出输出向量值，并与期望输出结果相比较，以判断网络模型的综合性能。目前这项工作正在进行中，预试验结果令人满意。在现阶段证候诊断标准没有规范化以前，

这种集模糊系统和神经网络于一身的模糊神经网络技术，能更有效地表达和处理中医领域专家的非确定性、模糊性经验知识，很可能将为今后中医证候规范化的研究提供可行性方法。

5结语一门学科只有不断地吸纳先进的思想与技术，在继承的基础上发展创新，才能真正具有生命力，中医现代化研究，呼唤多种边缘学科、交叉学科理论和技术方法的介入，理论上的探讨和不断切实可行的实践探索并行，

才能使中医证候研究从量的积累上升到质的飞跃。当然，人工神经网络的知识处理能力还需进一步提高，还需围绕如何提高学习能力、收敛速度、可塑性以及普化能力等方面展开深入研究。但是，目前在中医理论指导下，

采用神经网络技术建立中医证候神经网络模型，对中医证候的系统化和规范化研究不啻是一种可行的方法。随着研究工作的进一步发展，我们相信一定会有更多、更好的神经网络用于证候系统的诊断研究，

使中医证候的诊断技术更能提高一步。摘自： 《中医药学刊》 文/白云静申洪波之道：孟庆刚