CN103154933B - 用于将草药成分与中医中的疾病相关联的人工智能和方法 - Google Patents

用于将草药成分与中医中的疾病相关联的人工智能和方法 Download PDF

Info

Publication number
CN103154933B
CN103154933B CN201180036930.7A CN201180036930A CN103154933B CN 103154933 B CN103154933 B CN 103154933B CN 201180036930 A CN201180036930 A CN 201180036930A CN 103154933 B CN103154933 B CN 103154933B
Authority
CN
China
Prior art keywords
tcm
entity
disease
artificial neural
herb ingredients
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201180036930.7A
Other languages
English (en)
Other versions
CN103154933A (zh
Inventor
W·W·K·林
J·H·K·黄
A·K·Y·黄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HerbMiners Informatics Ltd
Original Assignee
Herbminers Informatics Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Herbminers Informatics Ltd filed Critical Herbminers Informatics Ltd
Publication of CN103154933A publication Critical patent/CN103154933A/zh
Application granted granted Critical
Publication of CN103154933B publication Critical patent/CN103154933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Toxicology (AREA)
  • Mathematical Analysis (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Pathology (AREA)
  • Medicines Containing Plant Substances (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明涉及使用人工神经网络鉴别在中医（TCM）中可有效治疗疾病的草药成分的系统和方法。

Description

用于将草药成分与中医中的疾病相关联的人工智能和方法
背景技术
中医（TCM）已经被中国人实践了2000-3000年。目前其还涵盖了西藏、蒙古和其他少数民族使用的实践和药材。该系统以及其药材已经被其他亚洲国家（例如日本、韩国和越南）传播并采用。
在TCM中，草药被认为是内科学的主要治疗方式。中药材被记录在多个药典中。经典的参考文献之一《本草纲目》——在14世纪晚期由李时珍撰写——包含约2,500条草药条目以及其他药品（动物和矿物）。《中华人民共和国官方药典》（1995年版本）包含2,375条药材条目。
虽然TCM治疗（例如用草药治疗）的效能被许多医学病症的治疗中数千年的经验上的且不可否认的成功所证实，但是几乎没有对中草药的科学研究。这是由于（至少部分由于）如下事实：与西医不一样，在TCM中相同的疾病通常因不同的人——由于体质和具体症状的差异——而以不同方法的治疗。在关于哪些具体草药成分已被证明可特别有效的治疗多种疾病方面鲜有研究。对于许多疾病，中草药治疗可提高现代药物治疗的效力、减少其副作用或完全代替它们。
例如，中国苦艾（青蒿）是发现青蒿素的来源，现在青蒿素在全世界范围被用来治疗恶性疟疾的多重耐药性菌株，并且其还被研究来作为抗癌剂。其是用于治疗疟疾的许多中药之一。由于许多草药成分目前用于治疗TCM的多种医学疾病，因此需要一种鉴别以下的潜在草药成分的系统，所述草药成分即在TCM中已经被鉴别为可有效治疗多种疾病或病症。迄今为止，还没有做到这一点的令人满意的系统。
发明内容
本发明提供了这样的系统和方法，所述系统和方法利用基于神经网络的学习引擎来鉴别用于治疗具体疾病/病症的TCM草药成分。根据本发明，应用基于神经网络的学习引擎来分析两个TCM实体（例如草药成分和疾病/病症信息）之间的关联性。
在一个实施方案中，计算草药成分U和疾病（或疾病集）V之间的关联性以指示U可用于治疗V的可能性。计算的值被称作U和V之间的关联性指数（RI）并且明确地表示它们相互之间的关联。
在一个具体的实施方案中，将基于反向传播的人工神经网络（ANN）用于计算草药成分可有效治疗TCM中具体疾病/病症的可能性（关联性指数计算）。ANN优选地用真实的患者病例进行训练。
在一个相关的实施方案中，所述关联性指数（RI）从理论上将两个TCM实体（例如U和V）以2-D或3-D（D表示维度）的方式关联起来，并且是所述ANN的输出结果。RI是P(U∪V)＝P(U)+P(V)-P(U∩V)中量化的P(U∩V)部分，是一种IT（信息技术）形式，其中P代表可能性。对P(U∩V)的解释依赖于TCM形式（formalism）。
如果两个TCM实体（例如草药成分和疾病）之间的关联性从没有被明确地定义/注释，但是却被本发明的经训练过的称作ANN的模块（例如后缀以草药或疾病命名）揭示，那么在本发明的上下文中，这是用于TCM疾病的草药成分治疗中的一项潜在发现。
在一个相关的实施方案中，ANN架构（construct）可通过不同的数据集来训练从而变成专门的ANN模块，后缀以具体的TCM实体（例如疾病）命名；例如ANN流感模块用于流感分析。
根据本发明，同时可调用多于一个训练过的ANN模块用于并行处理，从而增加TCM中与有效疾病/病症治疗相关的草药成分的时间和鉴别。
在某些实施方案中，具体草药成分对TCM中具体疾病/病症的治疗效能的计算可能性由真实TCM（中医）临床环境的专家验证。
附图说明
图1示出了用于计算关联性指数（RI）值的形式基础（formal basis）的图解。
图2是使用本发明获得的TCM中三个疾病实例（3个流感亚型）的二维（2-D）结果的曲线图。
图3是使用本发明的10种草药成分的三维（3-D）图，其中X轴代表10种草药成分，Y轴代表3个流感亚型，并且Z轴代表关联性指数（RI）。
图4是显示对治疗TCM疾病相关的草药成分（即合欢皮）进行鉴别的3-D图。
图5是表示本发明的草药成分鉴别的示意图。
具体实施方式
本发明在广义上涉及这样的系统和方法，所述系统和方法用于使用基于神经网络的学习引擎来鉴别可有效治疗TCM疾病/病症的草药成分。
本发明可包括：（a）一种或多种数据库，所述数据库为TCM疾病（本文还称为TCM疾病和/或TCM病症）、用于治疗的草药成分和/或与TCM疾病相关的症状的数据库；（b）计算机处理器，其被配置用来分析包含在所述数据库内的数据；以及（c）包括命令的关联性指数模块，其用于（i）从所述数据库读取数据；以及（ii）计算草药成分和TCM疾病之间的关联性指数。
图5描述了一种示例性的草药成分鉴别系统，其包括主系统100，所述主系统100与草药成分鉴别中涉及的一个或多个装置耦合。在图5中，主系统100可包括数据库108。数据库108优选地提供与以下相关的数据：TCM疾病、用于治疗的TCM草药成分和/或与TCM疾病相关的症状。系统100仅是本发明的示例性实施方案。这样的系统的其他实施方案可包括更多、更少或不同的组件，或者所显示的组件可以不同的方式放置。
所述主系统100还可包括常见的或通用目的的计算机系统102，其用一个或多个程序模块——所述程序模块参与所述数据库108中的分析数据——编程，或者接入所述一个或多个程序模块。可用于本发明中的示例性计算机系统包括，但不限于个人计算机系统，例如基于INTELTM、IBMTM或MOTOROLATM微处理器的那些计算机系统；或工作站，例如SPARCTM工作站或UNIXTM工作站。有用的系统包括使用MICRO SOFTTM、WINDOWSTM、UNIXTM或LINUXTM操作系统的那些系统。本文描述的系统和方法还可用于运行客户端-服务器系统或广域网（例如因特网）。
计算机系统102——其可被配置作为客户端或服务器来运行——可包括一个或多个处理器104，其与计算机可读取介质106（例如随机存取储存器（RAM））耦合。应理解的是，存在计算机系统102的目的是显示可应用在本发明实施方案中的客户端和/或服务器组件底层的基础硬件。但是，本发明实施方案的执行不限于任何具体的环境或设备配置。适合用于与本发明一起使用的其他众所周知的计算系统、环境和/或配置包括，但不限于个人计算机、服务器计算机、平板电脑、手持式或便携式设备、多处理器系统、基于微处理器的系统、可编程的消费电子产品、网络个人计算机、小型计算机、大型计算机、包括上文的任何系统或设备的分布式计算环境等。本发明的实施方案可在能够支持所述方法（其在下文进一步详述）的任何类型计算机系统或处理环境中实施。
处理器104可执行在一个或多个关联性指数程序模块中包括的指令。程序模块可被整合进主系统100的硬件组件中（例如在ROM芯片上编码的固件），或可作为单独可用的软件被引入到所述系统中。在一个特别的实施方案中，高级算法可以代码编写并且可被自动转化为C或C++，然后通过（后台）调用C编译器，可以生成可执行代码（机器代码）。如果需要，所述算法可首先以较低级语言例如C编写。本领域常见的计算机语言均可用于本发明。
根据本发明，将关联性指数程序模块110包括进主系统100中。所述关联性指数程序模块包含用于人工神经网络（ANN）112的指令，所述人工神经网络（ANN）112执行由所述模块进行的一些或全部分析。在一些实施方案中，单个ANN进行关联性指数计算函数。在其他实施方案中，关联性指数计算可由两个或多个不同的ANN进行。此外，在一些实施方案中，相同的ANN可用不同的训练数据训练（其用在本文公开的方法的不同步骤中）。
在一个实施方案中，提供ANN（人工神经网络）用于在治疗TCM疾病/病症中进行草药成分鉴别。每个ANN后缀均以具体的TCM实体（例如草药成分）命名，并且通过一组真实的患者记录来训练。来自所命名的ANN的输出结果是所述关联性指数，其与具有另外TCM实体（例如TCM疾病/病症）的ANN名称以2-D或3-D的形式相关联。因此，ANN经由所述关联性指数提供对草药成分的鉴别，所述草药成分潜在地可有效治疗TCM疾病/病症。其中在所述两个TCM实体（例如草药成分和TCM疾病/病症）之间的RI以前没有被观察到，其作为潜在治疗发现的鉴别可由TCM领域的专家正式地确认。由于本发明涉及使用真实的临床记录以及TCM领域专家进行确认，因此其产生可信的草药成分治疗发现。
ANN输出结果的可信度还来自如下事实：所述RI计算是以基于IT形式，其以无缝方式和可交互方式与相应的TCM形式（例如SAME/SIMILARITY原理）匹配。来自本发明的系统和方法的另外有利之处是当TCM疾病/病症的症状组难于破解时，其是提供给内科医生用于查找对TCM疾病/病症的治疗的辅助手段。
在一个相关的实施方案中，使用多于一个ANN来鉴别可有效治疗TCM疾病/病症的潜在草药成分。使用多于一个ANN模块时，由于平行性，其提供了对用于治疗TCM疾病/病症的潜在草药成分的快速鉴别。
在本发明的又一个实施方案中，基于Hessian最小化概念，所述ANN结构可被安全地动态调整以获得更快的执行和精确的结果。
人工神经网络（ANN）
本发明的系统和方法可应用人工神经网络来分析TCM草药成分、疾病、和/或症状数据。一般来说，在分析系统中存在两种执行ANN的方式。第一种方法是通过使用基于软件的模拟器以用在通用计算机上。另一种方法是提供ANN作为硬件。在不考虑实施的情况下，本发明的ANN体系结构需要分类标签或目标值（即，使用训练数据的监督指令）。
根据本发明，与关联性指数程序模块一起使用的ANN是使用误差的反向传播算法的多层前馈（即，单向弧连接节点且无环）网络。通常，前馈ANN包括神经元的输入层、神经元的输出层以及一个或多个神经元的隐藏层，其位于输入和输出层之间。误差的反向传播需要了解任意输入的正确输出结果的教导者（监督式学习），这种算法对误差使用梯度下降法来训练权重。通常地，所述教导者是人。使用反向传播的学习涉及两个阶段。在第一个阶段，输入参数可被输入至输入神经元中。所述输出神经元产生了可能与已知的实际结果不同的结果。所述已知结果与所述输出结果之间的任何差别可用于计算输出节点的误差信号。在第二阶段，所述误差信号可通过所有节点传回并进行权重改变。根据所述梯度降低算法，权重被成正比地更新至最陡梯度。可使用的其他训练方法包括，例如非监督式学习/训练（例如自组织映射（SOM））、Levenberg-Marquardt方法或贝叶斯网络（Bayesiannetwork）。
对ANN的训练可在网络开始记忆训练数据处的点前终止（即，过度拟合前）。这是用于实现正则化的一种方式。在本发明中有用的另一种实现正则化的方法为在本领域已知的提前停止的方法。正则化方法——例如权重衰减——旨在限制所述网络的复杂性，以使得不能学习特殊性。提前停止——如该名称所表明的——是一种这样的方法，即通过该方法在记忆前终止训练。网络训练通常在以下时间停止：（1）当训练周期的数量达到预设值时；（2）当误差降低至低于具体值时；或（3）当梯度的斜率在最初下降阶段中达到某一值或达到最大斜率的某一百分比时（Kermani,et al.(1994)Proceedings of the16.sup.thAnnual International Conference of the IEEE Engineering in Medicineand Biology Society 428:2）。
尽管可使用其他类型的ANN，例如径向偏差网络，但是使用误差反向传播算法的前馈网络包括在公开的和实际的应用中的大部分ANN。在反向传播技术中已经进行了许多改良，以克服例如学习迟缓的障碍以及局部最小值的问题。本文描述的系统和方法的一些实施方案包括有能力在一段时间的监督式学习（其不导致对训练数据的记忆）之后分析聚类数据的ANN。在一个优选的实施方案中，所述ANN是三层前馈ANN（多层感知器）。正则化经由共享的权重、加权范数最小值（weight-norm minimization）以及稀疏的连接性来实施。
应理解的是，在本文描述的系统和方法中应用的ANN的确切体系结构可从上文示例的体系结构修改而来。本领域普通技术人员应理解，在保留ANN执行其预期函数的能力的同时，可以进行多种修改、替换、添加和/或缺失。
在本文描述的系统和方法中应用的ANN可以以任何与其预期运算一致的方式进行训练。当用测试数据集测试所述ANN时，训练的持续时间通常足以允许成功的泛化。一旦发现学习和泛化足够，则可终止训练并固定参数。在草药成分鉴别的情形下，可容易地开发测试集和训练集。在一个实施方案中，将来自有经验的TCM临床从业者的临床记录作为训练数据。关联性指数数据以及随后的草药成分鉴别可由一个或多个人类专家准确评分。
在一个优选的实施方案中，提供了基于反向传播的人工神经网络（ANN），用于进行快速、可信的草药成分鉴别（发现）。这基于软计算技术的文献综述[Wilfred W.K.Lin,Allan K.Y.Wong andTharam S.Dillon,“Application of Soft Computing Techniques toAdaptive User Buffer Overflow Control on the Internet”,IEEETransactions on Systems,Man and Cybernetics,Part C,36(3),2006,397-410,A.Ghosh and S.Tsutsui,“Advances in EvolutionaryComputing:Theory and Applications”,Springer,2003,Allan K.Y.Wong,Tharam S.Dillon,and Wilfred W.K.Lin,“Harnessing theService Roundtrip Time over the Internet to Support Time-CriticalApplications–Concept,Techniques and Cases”,Nova SciencePublishers,New York,February2008,L.Yann,B.Leon,G.B.Orr andK.Muller,“Efficient BackProp,Neural Networks:Tricks of theTrade”,Lecture Notes in Computer Science,Springer,1998,W.Zhao,R.Chellappa,P.J.Phillips and A.Rosenfeld,“Face Recognition:ALiterature Survey”,ACM Computing Surveys,35(4),2003,339-458]。
根据本发明，基于反向传播的ANN可确保：i）可复用性——相同的ANN架构可被训练从而变成承担不同作用的经命名的ANN模块；ii）简易性——其易于编程并且与传统的算法编程方法相比更不易出错；iii）数据定向——ANN架构内的逻辑点将收敛至给定训练数据集的所需逻辑运算；iv）多功能性——ANN架构可与其复制品或其他架构结合用以形成更大、更复杂的ANN配置；v）适应性——神经元的激活函数可在任意时间被代替，并且至神经元的输入参数可根据需要被加权和归一化；vi）最优化——对于具体运算，ANN可被有效地最优化或调整[K.Y.Wong,Tharam S.Dillon,and Wilfred W.K.Lin,“Harnessing the Service Roundtrip Time over the Internet to SupportTime-Critical Applications–Concept,Techniques and Cases”,NovaScience Publishers,New York,February2008]；vii）商品——以免费软件形式的许多ANN结构在具有丰富用户体验的公共领域是可用的，viii）准确性——只要隐藏神经元的数量是输入神经元的两倍，那么ANN输出结果就是准确的[M.Hagan,“Neural Network Design”,PWSPublishing Company,1996,A.R.Gallant and H.White,“On Learningthe Derivatives of an Unknown Mapping and Its Derivatives UsingMultiplayer Feedforward Networks”,NeuralNetworks,Vol.5,1992]；以及ix）平行性——为了加速，可调用许多命名的ANN架构以并行工作。
在本发明的一个实施方案中，通过传播的ANN配置具有3层结构：i）输入神经元层；ii）与输入神经元相互连接的隐藏神经元层；以及iii）与隐藏神经元相互连接的一个输出神经元。每个神经元的行为均由其激活函数（例如S形）支配[Wilfred W.K.Lin,Allan K.Y.Wongand Tharam S.Dillon,“Application of Soft Computing Techniques toAdaptive User Buffer Overflow Control on the Internet”,IEEETransactions onSystems,Man and Cybernetics,Part C,36(3),2006,397-410]。
如果是第n神经元在ANN模块中隐藏层的第i层中的输出结果，那么表明是m神经元在第(i-1)层中的函数。如果所述激活函数是S形——其是无记忆性的——那么简单地为这是来自叠加规则的明显结果，所述叠加规则可应用于任何无记忆性分布中。根据Hessian最小化概念[Allan K.Y.Wong,Tharam S.Dillon,and Wilfred W.K.Lin,“Harnessing the Service Ro undtrip Time over the Internet toSupport Time-Critical Applications–Concept,Techniques and Cases”,Nova Science Publishers,New York,February2008]，为了更高的加速，那些最小值的ANN弧（即在中的）可被动态调整（即最优化）以减少ANN的计算时间（例如Wilfred W.K.Lin,Allan K.Y.Wong and Tharam S.Dillon,“HBP:An OptimizationTechnique to Shorten the Control Cycle Time of the Neural NetworkController(NNC) that Provides Dynamic Buffer Tuning to EliminateOverflow at the User Level”,International Journal of ComputerSystems,Science & Engineering,19(2),2004,75-84）。即，最低权重的ANN弧对的影响是微不足道的。
在一个相关的实施方案中，所述ANN配置具有三层：i）输入神经元；ii）隐藏神经元；以及iii）一个输出神经元。当训练完成时，由输出神经元计算的值在本发明中是关联性指数（RI）。如果均方根误差（RMSE）已经稳定了，那么关于给定的数据集的训练就完成了（即，ANN已经学习了）。在主系统100中使用的本发明ANN中，每个ANN均后缀以具体的TCM实体（例如草药名或疾病）命名。RI在概念上表示两个选择的实体之间的关联性；例如被所训练的ANN模块用来作为后缀命名的具体草药成分（例如甘草）以及所命名的疾病（例如在图4中的风热）。所述训练方法被称为监督式学习，其是公平的方案，因为所述ANN输入可被本领域专家根据其对目标结果的重要性程度进行加权。
所述RI概念是基于IT（信息技术）形式，其由下述逻辑式表示，P(U∪V)；即，P(U∪V)＝P(U)+P(V)-P(U∩V)。Ｐ代表概率；∪代表并；∩代表与；U和V是由两个参数/属性集分别定义的两个实体；P(U∩V)是U和V之间相似性或关联性的程度。可由预先定义的算法计算的P(U∩V)值是用于草药成分发现的建议ANN方法中的关联性指数（RI）。
图1将RI形式基础（formal basis）置于比例图中。在这种情况下三个实体由括号{}中的属性定义，E1＝{x1,x2,x3,x4}、E2＝{x1,x2,x3,x6}和E3＝{x1,x2,x3,x5x7,x8}。简单地基于常见属性的数目以及参考实体（RC）的角度，就可计算RI。例如，如果实体1是RC，那么实体2的相似性程度（对比实体1）为3/4或0.75（即75%）；对于实体3同样如此。但是，如果实体3是RC，那么实体1的相似性仅为3/7（即小于45%）。所述RC概念可应用于相同或不同类别的实体。
在TCM中，在图1中的三个实体可以均是草药成分、均是疾病或草药成分与疾病的混合。但是，在这种情况下，RI的测量值简单地基于属性（例如症状）的共同集。例如，如果实体1是可治疗{x1,x2,x3,x4}中的症状的草药成分，并且实体3是由在{x1,x2,x3,x5,x7,x8}中的症状集定义的疾病，使用E3作为RC，那么通过“SAME/SIMILARITY”TCM形式[Jackei H.K.Wong,Wilfred W.K.Lin and Allan.K.Y.Wong,“Real-Time Enterprise Ontology Evolution to Aid EffectiveClinical with Text Mining and Automatic Semantic Aliasing Support”,Proc.of the 7th International Conference on Ontologies,Databases,andApplications of Semantics (ODBASE 2008),Monterey,Mexico,Nov.11-13,2008,1200–1214,Jackei H.K.Wong,“Web-Based Data Miningand Discovery of Useful Herbal Ingredients(WD2UHI)”,PhD Thesis,Department of Computing,Hong Kong Polytechnic University,May2010]E1对于E3具有3/7的逻辑治疗效能。这种效能通常被足够数量的TCM领域专家预先一致认可，如果需要对于具体的环境可作出适当的调整。
所述SAME/SIMILARITY TCM形式在TCM经典著作中是被奉为正式诊断原则的（一致认可）：“如果症状是相同或相似的，在医学上可用相同的方法治疗不同的病症，不管其是否来自相同或不同的疾病[International Standard Terminologies on Traditional Medicinein the Western Pacific Region,World Health Organization,2007,ISBN978-92-9061-248-7]。”一致认可是这样的一种方法：来自一个领域或团体的充足数量的专家对一种观念、一个实体的语义（semantics）或一个方法集的意见一致。所述意见一致创建了充当公共本体（communal ontology）的标准词汇/词典，其将待传递或依附的知识本体嵌入到实践中。
根据本发明，ANN运算代表在给定维度的空间内的相关点。如此的表示法可以图形格式提供。但是，所述表示法不需要是图示的并且可以是多种其他已知格式的任一种，包括例如表格或在计算机可读存储器中使用的格式。在本发明中可用的示例性表示法包括，但不限于笛卡尔坐标或极坐标。在本发明系统中可用的维度可包括，例如线性、对数（基底2、10、e或其他数）、Box-Cox、平方根或反正切度。
通常地，在本发明方法中待分析的TCM实体集的数量等于由ANN运算表示的维度数量。例如，当在二维ANN运算中评价时，可分析两个TCM实体集。对于具有更多维度的ANN运算，可分析更多个集。例如，在三维ANN运算中可分析三个TCM实体集。
所述ANN运算可以是2-D或3-D（D代表维度）的关系。例如，3-D的关系可通过结合来自以下三个主要集的元素来实现：i）疾病I＝{i1,i2,...,in}；ii）用于治疗的草药成分H＝{h1，h2,...,hm}；以及iii）可辨认的症状S＝{S1，S2,...,Sk}。因此，对疾病ij的诊断是鉴别Sj——其是用于{(ij∈I)|(Sj∈S)}的S的子集——其中“|”表示(ij∈I)满足(Sj∈S)。然后，在概念上对于ij的治疗/处方集是Tj＝{(Hj∈H)|S}。因此，训练专用的ANN模块——其后缀以草药成分hx∈H命名（即）——应当涉及一组真实Tj或患者病例C。如果所有的症状是都从C鉴别的并且所述训练采用C中每个病例的症状作为连续输入，那么会收敛为2-D RI值，其反映出C或Tj（即所述集）与hx的关联性，如图2中所示。
连接hx和iy的3-D RI收敛可通过手动地调整那些来自C的除iy之外的其他病例来形成，从而形成所得的经修整的子集如果在训练过程中，将在中每个患者病例的症状作为输入注入模块中，那么所得RI值在概念上具有3-D含义。即，RI表明草药成分hx是怎样与iy相关的。如果在目的TCM环境中这种联系或关联从没有被明确和正式的阐明，那么这就是潜在的发现，其必须被TCM领域专家正式地确认（即一致认可）。
虽然已经使用本发明可在其中执行的操作环境描述了本发明，但是本发明还可以在由某些形式的计算机可读介质上提供的计算机可执行指令的一般环境中描述。计算机可读介质还可以是可被计算机系统访问的任何可用介质。例如，但非限制地，计算机可读介质可包括计算机存储介质以及通信介质。计算机存储介质包括以任意的用来储存信息的方法或技术实行的易失性的和非易失性的、可移动和不可移动的介质，所述信息例如计算机可读指令、数据结构、程序模块或其他数据。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪速存储器或其他存储技术、CD-ROM、数字通用盘（DVD）或其他光存储器、磁带盒（magnetic cassette）、磁带（magnetic tape）、磁盘存储器或其他磁存储器，或者可用于储存所需信息并且可被处理设备访问的任何其他介质。
通信介质通常包括计算机可读指令、数据结构、程序模块或在调制的数据信号中的其他数据，例如载波或其他传送机制，并且包括任何信息传递介质。术语“调制的数据信号”表示一个或多个其特征集被以下方式改变的信号：即编码所述信号中的信息的方式。例如，但不限于，通信介质包括有线介质（例如有线网络或直接有线连接）以及无线介质（例如声、RF、红外线以及其他无线介质）。上述的任意结合也应当包括在计算机可读介质的范围内。在一个实施方案中，使用非临时性介质。
本发明可在分布式计算环境中实施，其中通过远程处理设备执行任务，所述远程处理设备是通过通信网络或其他通信介质连接。在分布式计算环境中，程序模块可位于本地和远程计算机存储介质（包括记忆存储设备）中。所述计算机可用的指令可形成一个接口从而允许计算机根据输入的来源而反应。所述指令与其他代码段或模块合作，以响应于所接收的数据和所接收数据的源启动各种任务。
本发明可在网络环境例如通信网络中实施。所述网络广泛地用于连接各种类型的网络元件，例如路由器、服务器、网关等。此外，本发明可在具有多种连接的公共和/或个人网络的多元网络环境中实施。
网络元件之间的通信可以是无线的或有线的。本领域技术人员应理解，通信网络可采用一些不同的形式并且可使用一些不同的通信协议。
本发明的实施方案可体现在处理系统中。如本领域中已知的，所述处理系统的组件可位于单独的计算机上或分布在整个网络中。在一个实施方案中，所述处理系统的组件分布在计算机可读介质上。在一个实施方案中，用户可经由客户端设备访问处理系统。在一个实施方案中，一些函数或处理系统可被储存在所述设备中和/或在所述设备中执行。所述设备可采用多种形式中的任一种。例如，客户端设备可以是台式机、便携式计算机或平板计算机、个人数字助理（PDA）、MP3播放器、通信设备（例如电话、传呼机、电子邮件阅读器、文本信息设备）或者这些或其他设备的任意结合。在一个实施方案中，客户端设备可经由网络与处理系统连接。如上文讨论的，所述客户端设备可使用多种访问技术（无线和有线）与网络通信。此外，所述客户端设备可包括一个或多个输入和输出接口，其支持用户访问处理系统。所述用户接口还可包括多个输入和输出设备，其有利于用户输入信息或有利于将信息呈现给用户。所述输入和输出设备可包括，但不限于鼠标、触控板、触摸屏或其他点击设备、键盘、照相机、显示器、麦克风、扬声器、打印机、扫描仪等。如上文进一步讨论地，所述客户端设备可支持多种款式和类型的客户端应用。
应当理解，在本文中下述实施例仅出于说明性目的；鉴于此，多种修改或变化将被建议给本领域技术人员，并包括在本申请的精神和范围内。
实施例1
实验在Nong的临床环境下进行[Jackei H.K.Wong,Wilfred W.K.Lin and Allan.K.Y.Wong,“Real-Time Enterprise Ontology Evolutionto Aid Effective Clinical with Text Mining and Automatic SemanticAliasing Support”,Proc.of the 7th International Conference onOntologies,Databases,and Applications of Semantics (ODBASE 2008),Monterey,Mexico,Nov.11-13,2008,1200–1214]以验证本发明提出的ANN。这些实验涉及真实的患者病例（即Tj），并且结果表明所提出的ANN可支持与有效的TCM疾病/病症治疗相关的有效草药成分鉴别。三组实验结果呈现如下：
a）对后缀以具体疾病命名的三个ANN模块（即）的2-D训练。在该实验中，将每个命名的ANN模块专用于在TCM中正式分类在流感疾病下的疾病亚型[International StandardTerminologies on Traditional Medicine in the Western PacificRegion,World Health Organization,2007,ISBN978-92-9061-248-7]，如：风热综合症、风寒综合症以及暑湿热综合症。所述结果——其由相同的训练临床数据集C或Tj（未经调整或修整）产生——绘制在图2中。
b）对后缀以相应的草药成分命名的10个ANN模块（即）的3-D训练。将相同的训练数据集C（如前文在a）中列出的）首先相对于{hx和iy}进行调整以使得产生经修整的以训练每个不同（例如ANN甘草）。例如，对于{hx＝甘草，iy＝风热}的情况，仅将经修整的子集C甘草，风热用于训练专用的ANN甘草模块。图3是3-D维度图，其中将来自10个专用ANN模块的所有3-D RI收敛叠加用于进行比较。所述10个草药成分，如图3中所示，为：甘草、桔梗、牛蒡子、白芷、生姜、防风、连翘、合欢皮、大枣和天花粉。
c）草药成分发现的实例。先将大量新的临床记录加入到原始训练数据集C中，然后将数据集C调整以产生新的经修整的子集——其驱动对所命名的模块的训练。除将驱动新的训练方法之外，训练方法与图3相同。图4示出了包括在中的新临床知识导致对涉及草药合欢皮的发现。在中（图3）老的训练数据没有表明合欢皮与两个流感亚型：风热和风寒之间的关联性。但是，包括在中的新知识揭示了合欢皮也可治疗两个流感亚型，并且这是依照本发明进行的草药成分鉴别。
对所命名的ANN模块（例如）的训练是基于在训练数据集中嵌入的知识的广度/数量。如果在充足数量的训练事件后所命名的ANN模块可下降至一个稳定的RMSE（均方根误差），那么所命名的ANN模块被认为是经过训练或学习的；用相同数据集的训练重复是事件。在图2中，在大约100个训练事件（X轴）后，对三个流感亚型的RMSE（Y轴）下降至其稳定值。
在图3中，真实RI分值不那么重要；重要的是所述RI值表明了草药与流感亚类之间的关联性的事实。在该图中的结果表明，草药合欢皮与两个流感亚型：风热和风寒之间不存在关联性。这是真实的，因为这种关联性没有嵌入在所给出的训练数据集C以及由此得到的修整子集的知识中。
在图4中的曲线图与图3区别在于揭示了合欢皮与两个流感亚型：风热和风冷之间的关联性。该差别是，在这种情况下，通过新修整的数据子集训练模块所述中已经包括了新加入的新Tj知识。
事实上，在图2、3和4中示出的结果是同时获得的，因为相应的所命名的ANN模块是被并行激活。在图2、3和4中的RI分值是基于症状的，因为至所命名的ANN模块中的输入是来自每个患者记录的症状。它们仅表明了两个TCM实体之间2-D（图2）和3-D（图3和图4）的关系，并且在草药鉴别方法中它们的真实分值是不重要的。但是，所述RI分数具有待发掘的巨大潜能，用于在未来帮助实现有效的实时诊断和治疗。
这可由在流动诊所（MC）中的场景显示[Wilfred W.K.Lin,JackeiH.K.Wong and Allan K.Y.Wong,Applying Dynamic Buffer Tuning toHelp Pervasive Medical Consultation Succeed,Proc.of the1stInternational Workshop on Pervasive Digital Healthcare(PerCare),-The 6th IEEE International Conference on Pervasive Computing andCommunications,March2008,Hong Kong,675-679]。MC医生可能从来没有偶然遇见具有下述症状集的疾病：SJ是来自TCM经典著作中所有正式记录的症状S的子集，并且Zk是S之外的症状。如果所述MC医生想了解怎样快速治疗（即在时间紧迫或实时意义上）其患者，那么他/她可以远程的方式经由互联网激活所有专用于疾病分析的命名的ANN模块（即对于i∈I的ANNi），假设所有命名的ANN模块均位于中央高速节点中。所述假设是有理由的，因为MC通常远离中央控制并且仅经由移动互联网连接。每个ANNi将处理Sx输入并产生关于i（即RC）的2-D RI分值。如果所有的2-D RI均以降序的方式分类，那么两个重要的表明事项将会出现：i）最高的RI表明由Sx定义的未知疾病Ix与相应的RC之间较密切的相似性，因为所述RI值是P(U∩V)的量化；以及ii）从以可取代方式匹配P(U∩V)的TCMSAME/SIMILARITY原则来看，其表明用于治疗具有更高RI分数的RC的处方也更可用于治疗Ix。然后，所述医生对哪种RC处方将更适于治疗未知的疾病Ix可作出快速、合理的决定。
应当理解，本文描述的实施例和实施方案仅出于说明性目的，并且鉴于此，多种修改或变化将被建议给本领域的技术人员并包括在本申请的精神和范围内。此外，本文公开的任何发明或其实施方案的任何要素或限制可与任意和/或全部其他要素或限制结合（单独地或任意结合）或与本发明公开的任何其他发明或其实施方案结合，并且所有如此的结合均被考虑在本发明的范围内，但不限于此。

Claims (12)

1.一种用于鉴别可有效治疗按照中医TCM分类的疾病的至少一种草药成分的系统，包括：
一个或多个计算机可读存储介质；
存储在所述一个或多个计算机可读存储介质上的用于关联性指数程序模块的程序指令，当处理器执行所述程序指令时，命令所述处理器执行以下步骤：
从多个TCM疾病实体构建TCM疾病实体人工神经网络，其中每个TCM疾病实体人工神经网络鉴别单个TCM疾病实体，其中每个TCM疾病实体人工神经网络计算指示所述单个TCM疾病实体和选定的一个或多个TCM草药成分实体之间的交集的可能性的关联性指数；
从多个TCM草药成分实体构建TCM草药成分实体人工神经网络，其中每个TCM草药成分实体人工神经网络鉴别单个TCM草药成分实体，其中每个TCM草药成分实体人工神经网络计算指示所述单个TCM草药成分实体和选定的一个或多个TCM疾病实体之间的交集的可能性的关联性指数；
从第一训练数据集和第二训练数据集训练所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络，所述第一训练数据集包括多个TCM疾病实体和用于所述多个TCM疾病实体的每个TCM疾病实体的一个或多个疾病相关的症状，且所述第二训练数据集包括多个TCM草药成分实体和用于所述多个TCM草药成分实体的每个TCM草药成分实体的一个或多个成分有效的症状；
响应于接收到选自多个TCM疾病实体的参考实体的指示：
使用所述TCM草药成分实体人工神经网络计算用于所述参考实体的关联性指数；并且
基于所述关联性指数鉴别至少一种有效的TCM草药成分实体。
2.根据权利要求1所述的系统，其中所述第一训练数据集和所述第二训练数据集存储在所述一个或多个计算机可读存储介质的数据库上。
3.根据权利要求1所述的系统，其中所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络包括前馈人工神经网络。
4.根据权利要求1所述的系统，其中所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络包括多层人工神经网络。
5.根据权利要求1所述的系统，其中所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络的训练包括应用反向传播算法。
6.根据权利要求1所述的系统，其中所述关联性指数的计算包括用于多个TCM草药成分人工神经网络的关联性指数功能的并行执行。
7.一种用于鉴别通过草药成分有效治疗按照中医TCM分类的疾病的系统，包括：
一个或多个计算机可读存储介质；
存储在所述一个或多个计算机可读存储介质上的用于关联性指数程序模块的程序指令，当处理器执行所述程序指令时，命令所述处理器执行以下步骤：
从多个TCM疾病实体构建TCM疾病实体人工神经网络，其中每个TCM疾病实体人工神经网络鉴别单个TCM疾病实体，其中每个TCM疾病实体人工神经网络计算指示所述单个TCM疾病实体和选定的一个或多个TCM草药成分实体之间的交集的可能性的关联性指数；
从多个TCM草药成分实体构建TCM草药成分实体人工神经网络，其中每个TCM草药成分实体人工神经网络鉴别单个TCM草药成分实体，其中每个TCM草药成分实体人工神经网络计算指示所述单个TCM草药成分实体和选定的一个或多个TCM疾病实体之间的交集的可能性的关联性指数；
从第一训练数据集和第二训练数据集训练所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络，所述第一训练数据集包括多个TCM疾病实体和用于所述多个TCM疾病实体的每个TCM疾病实体的一个或多个疾病相关的症状，且所述第二训练数据集包括多个TCM草药成分实体和用于所述多个TCM草药成分实体的每个TCM草药成分实体的一个或多个成分有效的症状；
响应于接收到选自多个TCM疾病实体的参考实体的指示：
使用所述TCM疾病实体人工神经网络计算用于所述参考实体的关联性指数；并且
基于所述关联性指数确定参考实体有效的TCM疾病实体。
8.根据权利要求7所述的系统，其中所述第一训练数据集和所述第二训练数据集存储在所述一个或多个计算机可读存储介质的数据库上。
9.根据权利要求7所述的系统，其中所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络包括前馈人工神经网络。
10.根据权利要求7所述的系统，其中所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络包括多层人工神经网络。
11.根据权利要求7所述的系统，其中所述TCM疾病实体人工神经网络和所述TCM草药成分实体人工神经网络的训练包括应用反向传播算法。
12.根据权利要求7所述的系统，其中所述关联性指数的计算包括用于多个TCM草药成分人工神经网络的关联性指数功能的并行执行。
CN201180036930.7A 2010-07-28 2011-07-28 用于将草药成分与中医中的疾病相关联的人工智能和方法 Active CN103154933B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US36844010P 2010-07-28 2010-07-28
US61/368,440 2010-07-28
PCT/IB2011/002500 WO2012014082A2 (en) 2010-07-28 2011-07-28 Artificial intelligence and methods for relating herbal ingredients with illnesses in traditional chinese medicine

Publications (2)

Publication Number Publication Date
CN103154933A CN103154933A (zh) 2013-06-12
CN103154933B true CN103154933B (zh) 2016-08-17

Family

ID=45530535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180036930.7A Active CN103154933B (zh) 2010-07-28 2011-07-28 用于将草药成分与中医中的疾病相关联的人工智能和方法

Country Status (5)

Country Link
US (1) US9275327B2 (zh)
EP (1) EP2599010B1 (zh)
CN (1) CN103154933B (zh)
SG (2) SG187019A1 (zh)
WO (1) WO2012014082A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016438A (zh) * 2017-04-14 2017-08-04 温川飙 一种基于中医辨证人工神经网络算法模型的系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845052B (zh) * 2015-12-04 2020-08-25 北大医疗信息技术有限公司 医疗信息处理方法和医疗信息处理装置
CN107451407A (zh) * 2017-07-31 2017-12-08 广东工业大学 一种中医智能诊断方法、系统及中医医疗系统
CN108182967A (zh) * 2017-12-14 2018-06-19 华南理工大学 一种基于深度神经网络的中医药材推荐方法
JP2020004221A (ja) * 2018-06-29 2020-01-09 小林製薬株式会社 漢方薬処方用の情報処理システム、情報処理方法、及びプログラム
CN109431463B (zh) * 2018-10-23 2022-08-02 南开大学 基于中西医样本标记的深度学习中医智能诊疗系统
CN109508385B (zh) * 2018-11-06 2023-05-19 云南大学 一种基于贝叶斯网的网页新闻数据中的人物关系分析方法
EP3893788A1 (en) * 2018-12-12 2021-10-20 Howmedica Osteonics Corp. Soft tissue modeling and planning system for orthopedic surgical procedures
WO2020182710A1 (en) 2019-03-12 2020-09-17 F. Hoffmann-La Roche Ag Multiple instance learner for prognostic tissue pattern identification
KR20230086768A (ko) * 2020-10-14 2023-06-15 지비에스 글로벌 바이오파마, 인크. 대규모 연구 최적화를 위한 식물 의약물 분석 방법 및 시스템
CN112633390B (zh) * 2020-12-29 2022-05-20 重庆科技学院 一种基于贝叶斯概率优化的青蒿素提净度分析方法
KR102431261B1 (ko) * 2022-01-05 2022-08-10 주식회사 하이 테스트 결과 데이터에 기초하여 치매 식별 모델을 학습시키는 기법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1645364A (zh) * 2004-08-18 2005-07-27 范启康 利用网络技术实现计算机中医疾病及处方检索的应用方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678669B2 (en) * 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
US20020077756A1 (en) * 1999-11-29 2002-06-20 Scott Arouh Neural-network-based identification, and application, of genomic information practically relevant to diverse biological and sociological problems, including drug dosage estimation
CA2415832C (en) * 2000-06-08 2012-07-24 Brendan Larder Method and system for predicting therapeutic agent resistance and for defining the genetic basis of drug resistance using neural networks
JP2002288340A (ja) 2001-03-27 2002-10-04 Takayoshi Yamamoto 東洋医学による診断方法、及び、診断方法を実行するコンピュータ
US20040073527A1 (en) * 2002-06-04 2004-04-15 Sherr Alan B. Method, system and computer software for predicting protein interactions
US20050240085A1 (en) * 2004-01-16 2005-10-27 Basf Aktiengesellschaft Balanced care product customization
US7871609B2 (en) * 2007-03-02 2011-01-18 Sam Ziff Supplements for pain management
US7873482B2 (en) * 2008-12-16 2011-01-18 Bruno Stefanon Diagnostic system for selecting nutrition and pharmacological products for animals

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1645364A (zh) * 2004-08-18 2005-07-27 范启康 利用网络技术实现计算机中医疾病及处方检索的应用方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数据挖掘的中医诊疗经验方法研究;袁文婕;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20070115(第01期);第3页第27-30行，第4页第6-22行，第10页第1行-第13页第2行，第14页第12-17行，第18页第23行-第19页第24行，图2.2-2.4，表3.1-3.3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016438A (zh) * 2017-04-14 2017-08-04 温川飙 一种基于中医辨证人工神经网络算法模型的系统

Also Published As

Publication number Publication date
WO2012014082A2 (en) 2012-02-02
SG187019A1 (en) 2013-02-28
EP2599010B1 (en) 2020-06-10
WO2012014082A3 (en) 2012-04-26
US20130268472A1 (en) 2013-10-10
SG10201505644PA (en) 2015-09-29
AU2011284365A1 (en) 2013-02-14
US9275327B2 (en) 2016-03-01
EP2599010A4 (en) 2017-06-07
EP2599010A2 (en) 2013-06-05
CN103154933A (zh) 2013-06-12

Similar Documents

Publication Publication Date Title
CN103154933B (zh) 用于将草药成分与中医中的疾病相关联的人工智能和方法
Kumar et al. Big data analytics for healthcare industry: impact, applications, and tools
Rasmy et al. Med-BERT: pretrained contextualized embeddings on large-scale structured electronic health records for disease prediction
Zhang et al. HKGB: an inclusive, extensible, intelligent, semi-auto-constructed knowledge graph framework for healthcare with clinicians’ expertise incorporated
Latif et al. Implementation and use of disease diagnosis systems for electronic medical records based on machine learning: A complete review
US11791048B2 (en) Machine-learning-based healthcare system
Mathur Machine learning applications using python: Cases studies from healthcare, retail, and finance
Hassanzadeh et al. Transferability of artificial neural networks for clinical document classification across hospitals: a case study on abnormality detection from radiology reports
Fong et al. Identifying health information technology related safety event reports from patient safety event report databases
CN114175173A (zh) 用于患者历程映射的学习平台
Kaswan et al. AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data
Davazdahemami et al. A deep learning approach for predicting early bounce-backs to the emergency departments
Mayo et al. How can we effect culture change toward data-driven medicine?
Thangam et al. Relevance of Artificial Intelligence in Modern Healthcare
Zhang et al. Transformer-and generative adversarial network–based inpatient traditional Chinese medicine prescription recommendation: development study
Zagabathuni Applications, scope, and challenges for AI in healthcare
Bertl et al. Evaluation of deep learning-based depression detection using medical claims data
Markatou et al. Case-based reasoning in comparative effectiveness research
Wang et al. Nationwide hospital admission data statistics and disease-specific 30-day readmission prediction
Tiwari et al. Blockchain-based transaction validation for patient interoperability in Healthcare 4.0
Redd et al. Using explainable deep learning and logistic regression to evaluate complementary and integrative health treatments in patients with musculoskeletal disorders
Kazemzadeh et al. Interoperability of data and knowledge in distributed health care systems
Dave et al. Applications of data mining techniques: empowering quality healthcare services
Mainenti Big data and traditional Chinese medicine (TCM): What’s state of the art?
Doucette et al. A framework for AI-based clinical decision support that is patient-centric and evidence-based

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: HERBMINERS INFORMATICS LIMITED

Free format text: FORMER OWNER: PURAPHARM INTERNATIONAL (H. K.) LTD.

Effective date: 20130712

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20130712

Address after: Hongkong, China

Applicant after: HerbMiners Informatics Limited

Address before: Hongkong, China

Applicant before: Purapharm Internat Hk Ltd

C14 Grant of patent or utility model
GR01 Patent grant