基于ANN藏藥方劑配伍規律

文/祁晉東 肖偉 格桑羅布扎西

（西藏大學 西藏自治區拉薩市 850011）

藏醫學是祖國傳統醫學寶庫中的一顆璀璨明珠，它以自身獨特而系統的科學理論和診療方法對世界文明進步產生了積極影響。當前，在回歸自然的潮流下，藏醫藥逐漸得到人們的認可和推崇。由于目前藏醫藥研究方法多為經典的藥理學和化學方法，結合體內代謝研究困難巨大，研究深度和廣度明顯不足，所以藏藥方劑配伍規律一直是藏醫藥現代化研究的薄弱環節。所以在本研究中，結合BP算法率先采用DeepBelief Network對藏藥配伍規律進行研究，揭示了方劑中隱藏的內在規律，提高了研發效率。

1 藏藥方劑的數據采集與處理

藏藥配方與功效有著密切聯系，它是藏醫通過確定病證，根據組方原則和配伍配伍，選擇合適的藥材和相應的劑量組合而成。因此要全面研究藏藥方劑的配伍規律，必須將方劑中的藥材和劑量綜合考慮才有效果。本研究針對藏藥方劑數據的多維、非線性特征，提出采用BP和DBN兩種算法分別對藏藥配伍規律進行研究。藏藥方劑配方采用的是文字性語言表述，本研究要用數學方法研究配伍規律，就必須將配方與功效進行數值化處理。本研究中以藏藥診治文集中的藏藥方劑為研究對象，包括不同疾病的藏藥配方的藥材和劑量以及藥方的功效。由示例x和標記γ的集合構成訓練集。對收集的樣本數據整理分析后進行數據預處理和編碼，從而得出網絡的輸入輸出數據。藏藥方劑主要由配方藥材、劑量和功效組成，用xi={藥材1，藥材2，… … 劑量1，劑量2}表示藏藥方劑示例，如表1。用yi={功效1，功效2，功效3，… …}表示藏藥方劑標記，如表2。

將收集的示例集x和標記集γ分別進行編碼如表3和表4，x∪γ得到樣本數據。

2 系統模型

2.1 BP和DBN網絡結構設計

本研究藏藥方劑的基本屬性特征值時輸入層，包括配方中的藥材和對應的劑量。方劑的功效指標是輸出層。由于每個方劑中藥材、功效數量不一樣，所以我們分別以藥材和功效最多的方劑為標準進行編碼，所以38味藥材和38個劑量二級制編碼后共380個神經元，13個功效二進制編碼后共117個神經元。

BP神經網絡的參數設置為精度0.001、學習率0.01、動量因子0.9、學習率增長比1.05、學習率下降比0.7。通過Kologorov定律和最終仿真結果確定隱層為3層，每層神經元個數是分別為300、200、150時模型效果最好。此時激活函數函數選擇對數S型函數和正切S型函數。

圖1：BP神經網絡結構

圖2：DBN深度置信網絡結構

根據樣本空間的數據，構建一個2個隱層的RBM神經網絡，輸入有380維，輸出有117維，隱層節點數分別為250和150，最后一層使用BP神經網絡進行微調。DBN深度置信網絡參數的設置為訓練的精度為0.001，RBM的學習率為0.01，RBM的權值和閾值為0.1，BP神經網絡的學習率為0.1，激活函數為對數S型函數。DBN訓練模型的過程主要分為預訓練和微調這兩個部分。

BP神經網絡結構如圖1所示，DBN深度置信網絡結構如圖2所示。

2.2 BP和DBN網絡功效預測

將藏藥方劑數值化后，用Matlab 2017a神經網絡工具箱分別構建BP和DBN深度置信網絡，對方劑、劑量、療效之間的聯系進行非線性映射，找出藏藥方劑配伍的規律并隱藏在網絡的權值和閾值中。

BP藏藥方劑功效預測如圖3所示，DBN藏藥方劑功效預測如圖4所示。

在預訓練過程中，采用逐層訓練的方法和對比散度算法，使用非監督貪婪逐層方法獲取權值，從下到上分別訓練每一層RBM網絡，確保特征向量盡可能映射到不同特征空間時，都盡可能多地保留特征信息。然后根據BP神經網路進行微調，使整個網絡的參數達到最優。

表1：藏藥方劑示例表

表2：藏藥方劑標記表

表3：編碼后的藏藥方劑示例表

表4：編碼后的藏藥方劑標記表

表5：BP神經網絡測試和預測效果

表6：DBN深度信念網絡測試和預測效果

3 實驗部分

3.1 實驗結果與分析

以藏藥診治文集中的藏藥方劑為提取特征的對象，藥材和劑量作為輸入，藥效為輸出，分別采用BP神經網絡和DBN深度置信網絡進行學習。將100個學習樣本中90個用作訓練樣本，其中20個數據作為測試樣本，剩下的10個樣本做預測。K倍交叉驗證法評估模型，BP神經網絡和DBN深度信念網絡。其測試樣本準確率和預測樣本準確率如表5和表6。

圖3：BP藏藥方劑功效預測

圖4：DBN藏藥方劑功效預測

綜合表5和表6來看，傳統的BP神經網絡雖然可以學習藏藥方劑樣本的特征，但是預測的效果偏低，DBN深度置信網絡相比于傳統的BP神經網絡可以更好的學習方劑的特征，預測的準確度，平均達到83.88%。DBN深度置信網絡結構對于非線性高緯度特征的藏藥方劑數據具有良好的特征學習能力和預測能力，但是還達不到完全預測真實藏藥功效。

3.2 網絡性能比較與分析

BP神經網絡和DBN深度置信網絡的訓練誤差下降比較如圖5所示，DBN的網絡參數由多層受限玻爾茲曼機訓練的，而BP神經網絡的網絡參數是隨機生成，因此DBN的初始誤差、訓練次數和誤差下降速率上明顯優于BP神經網絡。

圖5：BP和DBN誤差下降圖

4 結論

通過本研究，神經網絡可以學習藏藥方劑的特征，同時對配伍規律有一定的預測能力，證明了研究思路的可行性。由于收集到樣本數量和分布上的問題，影響了網絡對于方劑特征的提取，因此會對藏藥方劑療效的預測產生一定的影響。DBN是一種深度學習結構，隨著樣本數據量的增加，將會得到更高的準確率，在藏藥方劑配伍規律方面將會有更好的應用前景。

針對目前對藏藥配伍規律存在的問題，研究可以根據藏藥藥理改進DBN深度置信網絡結構或者構建一種新型的神經網絡群結構，降低非線性映射的維度，提高了算法的效率，從而更好的學習藏藥方劑的特征。另外藏藥方劑的配伍規律只能儲存在神經網絡結構中，不能通過具體的表達式來反映配伍規律和方劑間相生相克的作用，這也是需要進一步研究和改善的問題。