基于状态辨识的人工智能组方模型设计❋

徐佳君， 赵 文， 雷黄伟， 周常恩， 罗志明， 李绍滋， 李灿东△

(1.福建中医药大学中医学院中医证研究基地， 福州 350122；2.厦门大学附属妇女儿童医院，福建 厦门 361003；3.厦门大学信息学院人工智能系，福建 厦门 361005)

中医状态辨识是把握健康的钥匙[1]，在精准地辨识中医状态后，须对偏颇的状态进行调理干预，以期使人达到“阴平阳秘”。在状态辨识指导下的方药推荐，正是调理干预的方法之一，其与状态辨识间的关系，譬犹手足之于大脑。

目前的智能方药推荐多以直接选择推荐成方为主，罕见智能组方的文献报道。然而临床实际情况复杂多变，难见“教科书式”的病人，成方难以满足全部需求。因此，名医临床处方用药常以自拟方多见[2，3]，即使是有严格纳入标准的临床科研报道，其文献统计结果也同样如此[4]。而在生命的全周期里，欲病、已病、病后防复等各个阶段均可见偏颇的中医状态，其情况较之普通临床更为复杂。故而，有必要设计一个在状态辨识基础上的人工智能(AI)组方模型，以应对成方推荐难以满足需求的实际情况。为解决这一问题，本文将结合中医理论基础、中医状态辨识原理及中医临床处方思维模式，设计AI组方模型并加以阐述。

1 状态辨识结果的分组结构化

中医状态学是在证素辨证学基础上构建的，状态辨识的结果为状态要素(疾病状态下为证素)，包括部位、性质、程度三个方面。其中，性质是状态辨识的核心和关键，性质状态要素的辨识结果，直接关系到调理干预方法的确定，对任何状态的辨识都不可缺少[5]。因此，状态辨识结果(状态要素集合)的分组当以性质状态要素为核心，并结合部位状态要素进行结构化。其过程主要通过对状态要素间关系的判断以及状态要素程度轻重的辨识结果来进行。状态要素间关系主要有导致、兼夹、侵袭/发生于3种。以肝肾阴虚阳亢动风状态为例，进行状态要素集合的分组结构化的说明。

1.1 状态要素集合的分组

该状态的要素集合主要是：肝(部位)、肾(部位)、阴虚(性质)、阳亢(性质)、动风(性质)。由于阴虚容易发生于肝肾，阳亢和动风仅容易发生于肝，因此该状态要素集合分组为阴虚组如肝阴虚、肾阴虚，阳亢组如肝阳上亢，动风组如肝风内动。在疾病状态下，分组后的状态名称即是所谓的“单证”[6]。

1.2 识标本，辨并行(结构化)

围绕性质状态要素为核心，对状态要素间的关系进行判断，阴虚可能导致阳亢、动风，阳亢亦可能导致动风，而阳亢和动风则通常不导致阴虚，故而该状态要素集合存在主次结构，以阴虚组为本组，阳亢组、动风组为标组。而当性质状态要素间无关系或关系互为因果时，则为并行结构。

1.3 辨轻重，识缓急

根据状态要素辨识结果积分的不同，其程度有轻、中、重3种，肝肾阴虚阳亢动风状态在结构上虽有标本之分，但如标之程度为重或重于本，当急则治其标，不然当缓则图其本。

因此，该状态的治疗当滋养肝肾阴兼平肝潜阳息风，代表方剂为镇肝息风汤，其中以怀牛膝、白芍、玄参、天冬、龟板为一组以滋养补益肝肾阴液；以代赭石、茵陈、川楝子、生麦芽为一组以抑肝阳、泄肝热、疏肝气；以龙骨、牡蛎、龟板、白芍为一组以息风，全方3组治疗层次分明，齐头并进。在AI组方中，可根据各组状态要素的轻重程度，对药物用量进行调整。

2 AI组方的基础模型-药对与角药

药对与角药介于单味中药和复方之间，方剂的发展源流为单味中药-药对、角药-方剂(复方)。药对与角药是方剂的基本单位，也是临床常用且固定的中药配伍形式。方剂学中单纯运用药对或角药组成的方子比比皆是，前者如二至丸、金铃子方、失笑散等，后者如三子养亲汤、焦三仙、玉屏风散等。狭义上的药对指的是2味中药根据性味归经、七情和合等原则进行组合，该组合具有或相互促进或相反相成等作用,而角药则是3味；广义上的药对及角药则不局限于药味数，可称之为“药群”[7-9]。

然则，无论是何种意义层面上的药对及角药，其治疗的对象均是单证或简单的复证，可谓药简力专。因此，在状态要素分组后，分别选择不同的药群对不同组别进行干预，具有可行性和必然性。如阴虚组部位是肝肾可选二至丸，食积组可选焦三仙等。

依据分组选定药群后，仍需考虑到状态要素的结构和程度，依结构的标本或并行以及程度的轻重，拟定同类别药群的群数及药物的剂量。

3 AI组方模型的扩展-人、病、症

状态要素的有机组合为状态名称(疾病状态下为证型)；而对状态要素集合分组结构化的过程，实际上是对状态要素发生、发展、变化的阐释(疾病状态下为病机)。因此，AI组方的基础模型即为辨证组方及辨机组方，为辨证论治，符合传统中医思维。而将该模型扩展，加入辨人组方、辨病组方和辨症组方后，可实现“五辨”[10]组方，符合中医学全面、整体、动态、个性化的要求。

3.1 辨人组方

人有性别、年龄、体质、体型、生活习惯等差异，辨人组方要求AI在组方时进行综合参考。如体质为“阳虚”之人，若其状态要素为“热”，在选用清热药对的同时，可加入药对“大枣-干姜”以顾护中州阳气；再如体质为“阴虚”之人，其状态要素为“表”时，当选用角药“薄荷-白薇-玉竹”以滋阴发汗。

3.2 辨病组方

在AI组方时，针对辨识疾病的结果，加入擅长治疗该病的药物，或者在基础模型中选择含有该药物的药群，即为“辨病组方”。如“鱼腥草”为治疗“肺痈”的要药，在治疗肺痈肺热证时，既可在药对“桑白皮-地骨皮”中加入鱼腥草，亦可直接选择药对“鱼腥草-桔梗”。

3.3 辨症组方

中医药在长期临床中，通过经验积累总结出治疗某些症状有特定疗效的药物，如“生姜”为呕家圣药，“葛根”为治疗项背强痛之要药，乌贼骨制酸止痛等。而中医状态学中的表征参数除症状及体征外，亦包含了如气候、节气、地域以及部分客观指标等与疾病发生发展相关的各类因素[5]，亦需考虑在内。如发病季节为秋季，应考虑加入润燥药群。在AI组方中，依据表征参数的特点选用相应药物，即为“辨症组方”。

4 AI组方模型的规则约束

方书之祖《伤寒杂病论》可谓角药之滥觞[11]，而药对在中医学理论形成之前的春秋战国时期已有应用，具体时间已不可考[12]。中医药历史悠久，各代医家对药对及角药皆有不同的阐释及发挥。虽然药对及角药均是依据中医理论组方而绝非简单的药物堆砌，但从数学角度理解仍是单味中药的排列组合。故而随着该模型的建立，所对应知识库的充实，药群的知识总量当极为庞大。因此，有必要对该模型设立规则以提升AI组方的精准度，并避免可能出现无穷尽的药群组方组合。

4.1 模型与扩展的互参规则

应尽量选择同时满足基础模型及其扩展的药群组合。辨证论治是中医的根本，五辨论治则是通过中医的整体观念对辨证论治的补充，本文中所述的模型及其扩展也同样如此。虽然模型扩展的知识库较为零散，不具有完整的结构性(如并非所有表征参数均有特定药物治疗)，但仍应尽量同时满足。如前文的肺痈肺热证，虽两者组方均可，但应在排序中优先考虑药对“鱼腥草-桔梗”。且在模型扩展中，有些条件是不容违背的，如孕妇禁用含有“天花粉”的药群，故模型扩展是对基础模型的修正及补充。

4.2 所选药群尽量满足多分组规则

应尽量选择能同时满足多个性质分组的药群。如风热犯肺状态，其状态本质为外风夹热邪犯肺，其状态要素分组为外风组如风邪犯肺，热邪组如热邪犯肺。此时的药群选择应选药对“桑叶-菊花”或角药“金银花-连翘-竹叶”以疏散肺经风热，而不应分别选择疏散风邪的“荆芥-防风”，另加清热解毒的“石膏-栀子”进行药物堆砌。

4.3 特殊用药规则

特殊用药规则实际上为知识库的积累，如处方中有大量滋腻药物，而无行气药则酌加陈皮以防碍脾。又如处方中有大量攻伐之品，则酌加大枣、白术等以顾护正气；再如处方中不可含有十八反十九畏药味组合等。

4.4 药食同源及有毒药物的选用规则

本条规则毋庸赘言。近年来中草药的肝肾毒性屡见报端，因此应尽量减少选用含有有毒药物的药群，并尽量多地选择含有药食同源药物的药群以增加其安全性。

5 讨论总结

本文提出了一个在状态辨识基础上的AI组方模型，该模型的核心思想是对状态辨识结果(状态要素集合)进行分组结构化-形成单证-根据单证选用药群-合成处方(图1示)，并对该模型进行扩展，运用规则对模型进行约束，用以解决推荐成方难以满足需求的情况。

图1 AI组方模型图

然而，欲将该模型实际应用仍有诸多尚待完善之处。如规则的权重设立，对模型设立规则约束有利于在庞大的知识库中更为精准的选药。但规则中有时会出现自相矛盾的情况，如痰湿体质的人，在秋季初起咳嗽有痰色白量不多，体质及表征参数(秋季)均属模型扩展，在规则1约束下的AI智能组方应遵循体质亦或遵循表征参数？再如不同的状态程度，其药群数及药物剂量又该如何区别选择？程度及结构结合后产生的如本轻标重或本重标轻的状态，其药群数及药物剂量又该如何区别选择？以上问题，均应进一步研究并在实际病案数据的支持下结合数据挖掘来确定。

AI在中医药领域的应用是近年来研究的热点之一，通过规则驱动下的AI本质上属于旧一代AI，而基于大数据挖掘下的机器学习属于新一代AI，既是目前研究的主流，也是计算机获得智能的途径。目前大量学者利用数据挖掘对组方用药规律进行研究，但大多是基于名家、病案的病-证-症-药间相关性分析[13]，知识库日趋庞杂但缺乏组方模型进行统一运用，未能体现中医药整体观的特点。中医学中存在一些不宜违背的基本原理，需用规则驱动，故应将新旧AI融合，在规则约束下建立模型，在数据挖掘下发现新知识、充实模型知识库，才能更加符合传统中医思维，为中医药现代化服务。