《中医智慧辨证论治模型构建技术规范》

ICS

CCS

CI

团体标准

T/CIXXX-2023

中医智慧辨证论治模型构建技术规范

TechnicalSpecificationforTheConstructionofWisdomSyndrome

DifferentiationModelofTraditionalChineseMedicine

（征求意见稿）

2023-X-X发布2023-X-X实施

 中国国际科技促进会 发布

T/CIXXX—2023

中医智慧辨证论治模型构建技术规范

1范围

本文件提供了中医智慧辨证论治模型构建技术的术语和定义、智慧中医辨证模型、智慧

中医论治模型、中医诊疗优化模型、智慧辅助诊疗系统构建技术等关键技术的规范。

本文件适用于中医智慧辨证论治模型构建的研究、设计、技术路线，可作为智慧中医设

计与研究的技术依据。

2规范性引用文件

本文件没有规范性引用文件。

3术语和定义

3.1

证型库syndromedatabase

指一个集中存储和管理中医证候类型信息的知识库，其中包含各类临床中医证候的定义、

特点、症状表现、治疗原则等相关信息。

3.2

关联异质图heterogeneousassociationgraph

指用于描述患者个体特征、中药以及二者之间关系的图论表达形式，由多种类型的节点

和不同类型的边组成；其中包含个体特征节点和中药节点，边表示患者个体特征与中药之间

的关系。

3.3

配伍关系compatibilityrelationship

指不同中药材在组方过程中的搭配原则，强调药物之间的相互作用和组合方式。

3.4

医学影像medicalimaging

指使用各种影像技术（如X射线、核磁共振、计算机断层扫描等）获得的关于人体内部

结构和功能信息的图像资料，可以帮助医生观察和诊断病变、损伤或其他异常情况。

3.5

奖励函数rewardfunction

指一种用于衡量智能系统在特定状态下采取行动的优劣的数学函数；用来评估诊疗方案

1

T/CIXXX—2023

的好坏，从而指导模型在训练过程中逐步优化策略。

4总体设计

4.1基本原则

（1）对标国家重大需求。以国家需求为研究命题导向，以研究成果转化落地为研究目

标。

（2）紧跟学科和工程前沿。以前沿科学技术驱动中医智慧辨证论治的发展创新，加速

实现中医辨证论治模型的智能化升级。

（3）密切联系实际诊疗场景和中医智慧辨证论治系统。以向智能化、精确化、标准化、

客观化、条理化和系统化方向发展为目标。

4.2中医智慧辨证论治模型构建技术总体思路介绍

辨证论治是中医诊疗过程中密不可分的两个组成部分。辨证是论治的前提和基础，论治

的主要手段和方式。通过对疾病诊断效果的检验，就能够检验辨证论治的准确性。辨证论治

是指导中医临床工作的核心原则，而六经辨证作为一种综合的辨证手段是进行辨证论治的前

提。中医智慧辨证论治模型指利用人工智能和大数据等先进技术，结合中医医案和临床数据，

建立辨证论治模型，以辅助中医医生进行诊断、治疗决策以及疗效反馈。包括辅助问诊、辅

助诊断、辅助开方、质控医嘱、用户管理等多种功能。结合中医临床正病名、抓主证、定治

法、议方药、析疗效、溯反馈等诊疗过程，引入元强化学习理论，结合中医临床各个环节的

特点，从智能辨证、处方推荐、疗效评价及系统开发四个方面形成中医智慧诊疗模型及构建

技术的规范及标准，更加凸显中医诊疗的特色优势。利用人工智能技术研究符合中医特色诊

疗模式的智能辅助诊疗系统，使得中医诊断过程更加科学化、条理化和客观化，助力中医师

提升工作效率和诊断正确率，对于中医的推广与传承具有重要的意义。

4.3智慧中医辨证模型

4.3.1智慧中医辨证模型概述

智慧中医辨证是在中医学理论的指导下，对通过四诊（望、闻、问、切）所收集的症状、

体征等辨证资料的全部信息，运用现代科学的最新技术手段与成果进行诊法与辨证客观化、

规范化的研究，达到审查病因、辨明病态、阐述病机，分析得出证候等目的。智慧中医辨证

模型包括证型匹配策略、证候分类策略和中医诊断策略，通过动态提取四诊辨证要素，智能

识别病位、病性及病势，并对辨病结果进行中医证候识别，从而确定主证、兼证。

2

T/CIXXX—2023

4.3.2基于辨证要素的中医证型匹配策略

中医辨证的思维过程就是“依据临床证候，辨别出病位、病性证素，然后由证素组合成

证名”的过程。“证候”指证的外候，也可视之为健康状态的表征参数，具体涉及宏、中、

微三观参数。宏观参数主要指与健康相关的天时、气候、地理环境、节气等；中观参数则指

与健康状态相关的生物、心理等四诊及体质辨识资料；所谓微观参数即指借助现代技术手段

采集的参数，如理化检查中的生化指标、基因等。基于辨证要素的中医证型匹配策略可以抽

象为“证素辨识”和“证型匹配”两步，具体如图1所示。

图1基于辨证要素的中医证型匹配原理

（1）证素辨识：“证素”是证的要素，指辨证所要辨别的肾、肝、胃等20个位置要素

和气虚、血瘀、痰、寒等33个性质要素。证素是构成证名的基本要素，也是辨证论治的核

心和关键。根据症（即症状和体征）对证素的贡献度，采用加权求和浮动阈值的方法，计算

各证素积分，然后确定各证素诊断是否成立及其轻重程度。证素辨识的具体步骤如下：

a）症状收集：通过与患者交流、四诊观察等方式收集患者的症状信息，其中四诊观察

包括问诊、望诊、舌诊和脉诊。

b）病势辨识：通过观察患者的症状表现、脉象等，判断疾病的轻重缓急程度，如轻症、

重症等，即确定病情的严重程度和病势的走向，帮助医生做出合理的治疗决策。

c）病位辨别：通过对患者的症状进行分析和综合判断，确定疾病发生的部位或脏腑组

织。按照病位可分为头面部、胸腹部、四肢等，常见的脏腑组织包括心、肝、脾、肺、肾等。

d）病性鉴别：综合患者的主观症状和客观体征，对疾病的性质进行判断，如寒热虚实、

气滞血瘀等。

（2）证型匹配：“证型”是指证的类型，是临床常用且规范的标准证名，《中医临床

3

T/CIXXX—2023

诊疗术语-证候部分》中列出了800个常见证型名称。依据证型拆解出的证素即可形成证型

匹配规则，如表1所示。证型匹配的具体步骤如下：

表1证素-证型匹配对照表

序号证素证型

1心、血瘀心血瘀阻证

2痰、热、脾痰热蕴脾证

3痰（湿）、气虚、脾脾虚痰湿证

4心、肾、阴虚、阳虚心肾阴阳两虚证

5…………

a）证型分类：将已知的各种中医证候类型进行分类和整理，建立起证型库，包括各类

证候的定义、特点、症状表现和治疗原则等。

b）证素对比：对收集到的患者的证素信息进行归纳和整理，找出其涉及的基本证素，

如寒热、湿燥、气滞、血瘀等。然后将基本证素与证型库中的各种证候特点进行对比，找出

与患者症状相匹配的证型。

c）证型确定：通过综合判断确定最符合患者症状的证型，并作为辨证施治的依据。

4.3.3基于特征加权与动态组合的证候分类策略

基于特征加权与动态组合的证候分类策略主要针对中医电子病历文本数据中的重点症

状进行权重加权，并且对四诊信息的重要字段进行动态组合。临床中的中医电子病历数据包

含的四诊信息描述存在噪音的问题，当字段句子比较长，模型需要从大量信息中快速筛选出

高价值信息。且中医在实际进行辨证时，通常也会抓住疾病中的重要特征进行辨证推断，对

文本数据进行特征加权有助于提高模型对重要特征的区分性。此外，鉴于四诊信息中不同字

段对于辨证的重要程度不同，采用子网络动态组合的方法，使每个输入字段可以对输出预测

有一个学习贡献，有利于优化四诊辨证结论的融合。该策略结构如图2所示，主要包括以下

部分：

4

T/CIXXX—2023

图2基于特征加权与动态组合的证候分类策略

（1）特征加权：应用于四诊信息的各个字段中，通过将中医电子病历四诊语料中望诊、

闻诊、问诊、切诊的数据分别输入到BiLSTM子网络中，并对四诊字段分别进行关键特征的

提取并赋予权值，使得模型能够较快地从大量信息中筛选出高价值信息。

（2）动态组合：根据中医电子病历中望诊特征、闻诊特征、问诊特征、切诊特征的文

本字段的重要程度提供对应的权值，形成各字段的动态组合。不同的特征类型对于模型存在

不同的定量影响，结合不同特征的动态加权可以提高模型分类的效果。

（3）融合与预测：将经过子网络动态组合后的特征向量输入一个全连接层中，进行汇

合与证候分类。

4.3.4融合知识图谱的多通道中医诊断策略

临床上的中医四诊（望诊、闻诊、问诊、切诊）观测角度不同，各方面的特征表达存在

差异，但是各观测角度所得症状存在关联。针对中医“四诊合参”的辨证思维特点，智慧中

医辨证模型对四诊信息多通道分开处理，训练更为合理。与此同时，鉴于中医电子病历缺乏

高质量语料，可以融入知识图谱嵌入向量，对语料进行知识增强。融合知识图谱的多通道中

医诊断策略主要包括以下部分：

（1）多通道特征提取：通过多个基于反馈机制的双向长短期记忆网络(BiLSTM)初步提

取病历中的上下文信息和浅层语义特征，得到可以特征互补的证候句子向量。

a）设置多通道：采用多通道方法对中医电子病历中丰富的四诊信息进行文本处理，设

置四个通道，对输入症状进行多种特征表示，学习不同的症状特征。

（2）知识图谱嵌入：为了使模型学习症状之间的内在关联，构建基于中医电子病历的

知识图谱，通过训练中医实体与关系的嵌入向量，得到更丰富的语义特征。

5

T/CIXXX—2023

a）图谱构建：实体抽取后得到八类实体和十五类关系，首先通过脉诊表现、舌诊表现、

闻诊表现、望诊表现、查体表现、证候结论表现、护理宜忌表现、中医诊断表现来对图谱中

八个类别的实体进行汇聚；然后在已有八类实体基础上结合关系：脉诊-证候结论、舌诊-

证候结论、闻诊-证候结论、望诊-证候结论、查体-证候结论、证候结论-护理宜忌、证候结

论-中医诊断，使用Neo4j构建知识图谱。

b）图谱嵌入：选用Complex模型作为知识图谱嵌入模型，将知识图谱中的实体和关系

进行向量表示，主要用于补全知识库的知识，也可用于知识问答、推荐、语义检索、文本信

息增强。

（3）模型融合与预测：将多通道特征向量和知识图谱嵌入向量融合后输入一个全连接

层中，进行算法的学习与预测，如图3所示。使用随机加权平均算法进行模型的集成与优化，

提高模型的泛化能力。

图3知识图谱融合示意图

4.3.5基于四诊信息智能提取的中医辨证模型

望、闻、问、切是中医独有的疾病诊断模式，四诊合参是帮助中医生准确判断患者病情

的有效诊疗手段。传统四诊往往局限于医生的主观观察和感受，获得的信息基本都属于非线

性数据，难以进行量化、客观化的表述。现代科学技术的发展促进中医四诊逐渐向着数据化、

标准化、客观化、智能化的方向发展，自然语言处理、计算机视觉、知识图谱和深度学习技

术、声音图像识别技术等都为四诊信息的智能提取提供了可能，也为中医诊疗信息智能化提

供了客观条件。

（1）望诊信息的智能化提取：可以使用舌面象仪、便携式面诊仪、眼象健康成像仪等

6

T/CIXXX—2023

设备获得高质量图像，然后采用图像分割模型获取感兴趣部位，再针对关键部位基于知识规

则设计特征或利用机器学习进行特征选择。如利用多标签分类技术通过综合舌诊信息提取特

征从而判断疾病的性质、病势的深浅、气血的盛衰、津液的盈亏及脏腑的虚实。

（2）闻诊信息的智能化提取：智能提取设备包括中医闻诊仪、嗅诊仪等，其中声诊技

术可以采用传统的小波变换或深度学习中的卷积网络等方式进行特征提取。如采用声图分析

软件分析患者咳嗽音得到声学参数特征，使用统计学习方法分析咳嗽声音特征和疾病部位、

中医证候的相关性。

（3）问诊信息的智能化提取：问诊信息的分类诊断模型采用极限学习机、症状关联网

络、深度森林等进行建模，其中深度森林算法在多标记评价指标和单个证型的分类准确率方

面占有优势，能够有效解决中医问诊证候分类问题。

（4）脉诊信息智能化提取：脉诊信息提取模型的构建采用支持向量机和人工神经网络

两种方法，支持向量机在区分健康、病理和噪声三种重要信号结果方面具有潜力，能够减少

在临床诊断中的偏差。

4.4智慧中医论治模型

4.4.1智慧中医论治模型概述

中医临床辨证与论治高度统一，方证之间存在复杂的整体性映射关联，体现为“方因证

立、方随证效”。智慧中医论治既需要对证治本，又需要考虑疾病临床表现特性，基于中医

证候的治则治法以及个人体征进行处方推荐。传统中医论治过程多存在于医生的思维认知与

评价之中，结合患者的病理信息、临床证候、环境因素等综合思辨形成处方，按照药物性味

功能及配伍关系组方用药。智慧中医论治模型包括法则治法适配策略、处方推荐策略和方药

检索策略，实现自主确定疾病所属的证候类型并区分主证、兼证，认识患者的整体疾病状态，

以证组方，利用中药材的对证功效，多环节动态调节，治疗复杂病情。

4.4.2基于中医证候的法则治法适配策略

中医论治对证不对病，不同的病产生同样的证候会采取同样的论治方法。中医的论治过

程如下：首先采集患者的证候，证候主要包括患者的症状和体征；其次通过对证候进行全面

分析，得到相应的治法名称；最后医生通过治法名称结合患者的个人情况给出中医处方。中

医证候都有相对应的治法标签，基于中医证候的法则治法适配策略利用文本卷积神经网络，

将中医证候作为文本进行向量化操作，对中医治法文本诊断进行分类，从而得到相应的治法

标签。具体方案如下：

7

T/CIXXX—2023

（1）首先，读取中医证候文本数据集并将其转换为统一格式，同时对中医证候治法数

据集进行切词、停用词等数据处理，最终形成预处理的语料库。

（2）其次，利用语料库建立词汇共现矩阵，然后基于共现矩阵和GloVe模型学习中医

证候治法文本词向量矩阵，并将其输入到卷积层，使用不同尺寸的卷积核对输入的证候治法

文本进行关键特征筛选。

（3）然后，通过激活函数的非线性能力对特征进行保留并映射，得到证候治法数据集

的关键特征，在池化层利用最大值采样提取中医证候的关键特征。

（4）最后，将池化层得到的中医证候向量放入全连接层来预测治法类别，得到中医治

法诊断结果。

4.4.3基于深度交叉神经网络的处方推荐策略

基于深度交叉神经网络的处方推荐策略将处方特征与病案信息特征进行自动组合，得到

最佳的组合特征，从而实现处方推荐功能，结构如图4所示。该策略通过对现有中医古典书

籍记载的中医病案和临床真实数据分析处理，进行规范化的存储；同时利用中医病案中记录

的治病逻辑，学习疾病症状与处方之间的关系；根据患者的病症表现进行处方的推荐从而辅

助医生治疗，使模型具有较高的准确率。具体包括以下部分：

8

T/CIXXX—2023

图4基于深度交叉神经网络的处方推荐策略结构

（1）特征层：将输入的病案信息和处方信息进行特征表示，其中病案信息分为文本信

息和类别信息，使得输入信息能够更好地进行特征提取以及向量表达。

（2）嵌入层：对划分好的患者主诉、现病史、既往史、中医诊断结果等文本特征和科

室、性别、各项数值指标等类别特征分别进行word2vec和one-hot嵌入，使得稀疏高维向

量转为稠密低维向量。

（3）堆叠层：将嵌入特征和部分原特征进行合并形成处方推荐的组合特征，并将其输

入到下一层次。

（4）残差层：主要结构是多个残差块，利用多层次残差网络将病案信息和处方信息的

组合特征矢量的各个维度进行充分的交叉。

（5）输出层：将残差操作后的组合特征与输入的原始组合特征进行相加，从而更好的

将处方特征和病案信息特征进行交叉，同时最大限度地对原始组合特征进行特征保留，从而

提高处方推荐的准确率。

4.4.4基于图数据模式匹配的方药检索策略

在中医学领域，病、症、证、方、药等术语概念所表示的实体间存在着多维多阶的联系，

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。基于图数据模式匹配的方药检索策略严格

遵守“观其脉证，知犯何逆，随证治之”的原则，流程如图5所示。

9

T/CIXXX—2023

图5基于图数据模式匹配的方药检索流程

（1）“观其脉证”指的是输入症状，将其映射到数据库中的节点。首先需要将输入症

状与图数据库中的症状进行模式匹配，通过检索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。

（2）“知犯何逆”指的是对映射的症状等节点进行匹配分析，明确映射的诊断结果。

该步骤旨在对候选诊断进行筛选，筛选过程是通过计算候选诊断所对应的症状与输入症状的

相似度，判断两者是否契合，以此模拟大脑对“症”与“证”之间契合度的联想与认知。

（3）“随证治之”指的是根据诊断结果检索方药，即根据输出的证型结果，通过检索

输出相应的方剂和药物结果，并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。

4.4.5融合个体特征的中医论治模型

智慧中医论治模型不仅需要考虑症状表现，也需要考虑患者的个体特征，例如性别、年

龄等个体特征与多种疾病的分型、诊断都存在关联。患者个人属性差异会导致在患有相同疾

病的情况下可能有差异化的症状表现，即使是同一症状其药方也因个体属性特点不同而存在

异同。针对该问题，本文件提供如图6所示的融合患者个体特征的中医论治模型，主要包括

10

T/CIXXX—2023

以下部分：

图6融合个体特征的中医论治模型结构

（1）患者个体特征-中药关联建模：从患者个体化特征的角度出发，构建多维度个体特

征与中药之间的关联异质图。首先需要基于临床数据搭建患者个体特征异质图，患者个体特

征-中药关联异质图，以及中药-中药关联同质图。

（2）构建多图卷积神经网络：基于搭建的同质及异质图构建多图卷积网络，使用图编

码器来编码患者个体特征与中药的关联信息。针对异质图采用类型感知的注意力机制来区分

不同类型的节点对患者个体特征和中药实体表示学习的影响，从而改进患者个体特征及中药

关联建模的效果。

（3）特征融合-预测：使用MLP融合以上特征的嵌入来表示患者特征及中药特征，并将

融合后得到的患者及中药的整体表示作为模型预测函数的输入，最终得到预测药方的向量表

示。

4.5中医诊疗优化模型

4.5.1中医诊疗优化模型概述

中医诊疗经过几千年的临床实践与研究发展，形成了以辨证论治为核心思想、四诊合参

为诊断手段的理论体系，能够准确诊断疾病状态，系统地给出有效治疗方案，为国民健康做

出巨大的贡献。国家中医药管理局发布的《“十四五”中医药信息化发展规划》指出，深入

推进中医药与信息技术全面融合，探索构建中医药与数字化融合的多元场景，充分发挥数据

作为新生产要素的关键作用，强化技术融合、业务融合、统筹推进中医药数据资源的治理、

共享及创新应用。中医治疗过程中，医生对疾病进行诊断时不仅通过逻辑思维系统地了解病

11

T/CIXXX—2023

情发展，也包括医生个人对不同的病人会得出不同的处方情况。正由于目前存在治疗诊断的

主观性、方剂配伍的复杂性、医生的主观判断得出治疗方案。所以在临床实践中，不同的医

生在治疗同一个病时经常存在中药药效的多变性以及经验传承的局限性，使得中医在临床实

践与研究发展缺乏客观性、准确性以及创新性，严重限制了中医的可持续发展。中医诊疗模

型包括疗效预测模型、疗效评估模型和基于疗效反馈的诊疗优化机制，建立基于贯序治疗的

疗效预测模型，建立基于患者反馈和症状跟踪的双重疗效评价方法，设计基于疗效反馈的诊

疗优化模型，持续提升辨证论治性能。

4.5.2基于序贯治疗的疗效预测模型

基于序贯治疗的疗效预测模型是指在医学领域中，通过分析患者接受治疗的过程和治疗

效果的数据，建立预测模型，以预测患者在接受不同治疗方案下的疗效情况。这种模型可以

帮助医生在制定治疗计划时做出更加准确的决策，提高治疗效果和患者生存率。基于序贯治

疗的疗效预测模型的主要特点是考虑了治疗的时间序列信息。在医学领域中，许多疾病的治

疗是一个持续的过程，患者可能会接受多种治疗方案，每种方案的持续时间可能不同。因此，

建立一个疗效预测模型需要考虑患者治疗历史数据，包括治疗，方案的序列和持续时间。

依据预测模型的数据特征与建模要点以中医药治疗病患临床症状的序列为切入点，通过

对病人服用中药后各节点疗效情况数据分析拟构建中医药疗效预测模型，主要有以下三个步

骤来实现。

（1）整理中医临床症状原始数据。首先按照发生的时间先后顺序，整理出病患的临床

症状的状态时间序列。

（2）整理出状态空间，进行状态划分，确定由中医临床症状构成的时间序列的观察值

状态，统计出每一个中医临床症状的频数。临床症状的状态有“有”和“无”两个状态，统

计出每一个时间序列的状态个数。

（3）数据筛选，从时间序列中筛选出符合预测条件的中医临床症状序列进行预测。

基于序贯治疗的疗效预测模型可以在临床实践中为医生提供决策支持，帮助医生根据患

者的病情和治疗历史制定更加个性化和有效的治疗方案，从而提高治疗效果和患者的生存率。

4.5.3基于疗效反馈的诊疗优化机制

基于疗效反馈的诊疗优化机制是指利用患者的临床疗效和治疗结果作为重要参考，不断

优化和改进诊疗方案，以提高医疗效果和患者满意度。该机制将临床实践中的实际效果与医

学理论和临床指南相结合，通过收集和分析患者的治疗结果和生理参数等医学数据，为医生

12

T/CIXXX—2023

提供有针对性的诊断和治疗建议。

在这个机制中，通过建立健全的医学数据库，将患者的病历资料、医学影像、实验室检

查结果等数据整合在一起。通过数据挖掘和分析技术，可以发现患者的疾病特点和治疗反应，

帮助医生更好地理解患者的病情和需求。还可以制定相应的治疗指南和规范，为医生提供诊

疗的参考依据。医生在诊断和治疗过程中，可以根据患者的具体情况，参考相关的治疗指南，

并结合疗效反馈进行调整和优化治疗方案。流程如图7所示，具体实现基于疗效反馈的诊疗

优化机制需要以下步骤：

图7基于疗效反馈的诊疗优化方法

（1）数据收集：建立健全的医学数据库，将患者的病历资料、医学影像、实验室检查

结果等数据整合在一起。

（2）数据挖掘和分析：通过数据挖掘和分析技术，可以从大量的医学数据中发现患者

的疾病特点和治疗反应。这些数据可以包括患者的病情变化、治疗效果、生理参数等。

（3）制定治疗指南和规范：根据数据分析的结果，可以制定相应的治疗指南和规范，

为医生提供诊疗的参考依据。

（4）诊疗方案优化：医生在诊断和治疗过程中，可以根据患者的具体情况，参考相关

的治疗指南，并结合疗效反馈进行调整和优化治疗方案。

（5）实时监测和健康管理：疗效反馈也可以用于患者的健康管理。通过实时监测患者

的生理参数和治疗效果，医生可以随时了解患者的病情变化，及时调整治疗方案，避免因治

疗不当而导致的健康风险。

13

T/CIXXX—2023

4.5.4基于深度强化学习的诊疗优化方法

基于深度强化学习的中医诊疗方案优化方法及系统，属于中医诊疗技术领域，通过结合

Q-Learning和卷积神经网络的强化学习模型、通过融合全连接网络和LSTM神经网络的强化

学习模型进行诊疗优化模型训练，获得最佳患者诊疗方案；将患者的症状和患者症状和诊疗

优化模型优化输出的诊疗方案作为输入，构建多层神经网络用于预测中药处方；最终将优化

输出的诊疗方案和预测的中药处方作为治疗方案推荐给患者。针对中医诊疗优化问题，通过

设计离线虚拟环境、奖励函数、状态转移预测以及诊疗方案聚类分析，构建出一个基于深度

强化学习的中医动态诊疗方案优化模型。将患者的症状和患者症状和诊疗优化模型优化输出

的诊疗方案作为输入，构建多层神经网络用于预测中药处方；最终将优化输出的诊疗方案和

预测的中药处方作为治疗方案推荐给患者。具体流程如图8所示。

图8基于深度强化学习的诊疗优化流程

基于深度强化学习的中医动态诊疗方案优化和处方推荐系统包括两个模块：

（1）诊疗方案优化模块，通过结合Q-Learning和卷积神经网络的强化学习模型、通过

融合全连接网络和LSTM神经网络的强化学习模型进行诊疗方案优化模型训练，得到最佳的

患者诊疗方案；

（2）处方推荐模块，用于将患者的症状和患者症状和诊疗优化模型优化输出的诊疗方

案作为输入，构建多层神经网络用于预测中药处方，最终将优化输出的诊疗方案和预测的中

药处方作为治疗方案推荐给患者。

在诊疗方案优化问题中，获得患者真实状态是强化学习模型的关键。中医诊疗过程中，

医生通过“望闻问切”获得患者的症状描述，并进行中医辨证，给患者开出合适的处方。由

于患者的真实状态不可得，即使有经验的医生也不能完全确定患者的真实状态，因此使用医

生观测到的症状来判断患者的状态。实际上，每种疾病都关联多个症状，中医存在主症和兼

症的存在。因此，不同症状的权重也不一样。

14

T/CIXXX—2023

该方法的目标是从大量诊疗数据中学习最佳的动态诊疗方案，其期望使治疗效果最大化，

而且还要考虑给出合理的处方，尽量避免对患者有副作用或不符合配伍规律的处方。

4.5.5中医疗效评价体系的构建

筛选凸显中医药特色的疗效指标是中医药疗效评价体系构建的重要组成部分，有学者提

出基于疾病变化、证候特征、人体健康生命状态三要素构建中药特色评价指标体系。构建中

医诊疗环境下的中医药临床疗效评价研究体系，应结合不同中医药体系本身的差异，构建差

异化的研究策略，并分阶段、分层次实施。

中医疗效评价体系的构建是为了科学客观地评估中医治疗的效果和疗效，以指导中医临

床实践和提高治疗效率，该体系的流程图如下所示。

图9中医疗效评价系统

该评价体系包括以下主要内容：

（1）确定指标清单

参照相关文献，对证候进行术语规范化处理，然后通过聚类分析统计临床常见的基本证

候要素及症状、体征等四诊信息，形成病-证-症的结构框架，进而形成中医证候指标清单。

（2）建立指标集

基于前期形成的个体化疗效评价指标清单，经过咨询-反馈-统计分析过程，对指标条

目进行取舍，最终确定中医证候和疾病评价指标集。

15

T/CIXXX—2023

（3）确定指标权重

采用层次分析法，基于前期形成的中医证候和疾病评价指标集，构建由，目标层、维度

层、指标层组成的多层次结构模型，对各层次中的指标，分别建立成对比较矩阵，计算各指

标权重，并进行一致性检验，最终确立各评价指标的权重系数。

（4）构建个体化疗效综合评价模型

4.6智慧辅助诊疗系统构建技术

4.6.1智慧辅助诊疗系统构建技术概述

随着大数据和人工智能等相关技术的飞速发展，催生出智能医疗辅助诊断系统。将这些

新兴技术融入疾病诊断的核心环节，通过对病历数据进行知识挖掘与发现，构建一个计算机

辅助诊断系统不仅能为临床医生提供诊断决策支持，快速确定病因以减少病患双方的时间和

成本，更能有效降低误诊事件的发生概率，保证医疗质量。传统的基于电子病历的辅助诊断

系统主要是基于相干数学理论进行设计，构建诊断模型。后来随着机器学习的进一步发展，

许多研究者开始利用其进行辅助诊断系统的设计与实现。辅助诊断系统除了提供基本的病历

数据管理功能外，还能根据病历数据中症状、病史等信息提供诊断决策支持。通过对相关病

历信息进行预处理，再使用构建好的后端分类模型对其进行疾病的预测，以帮助医生更准确

方便地完成对患者的疾病诊断。

4.6.2基于数据挖掘的中医诊疗模型构建

中医辨证论治诊疗体系先采集病例数据并进行数据处理，提取病例中的关键因素，然后

利用中医理论判断疾病证型，结合证型诊断思想和医生开放经验，得出具体的治疗方案，开

出处方。中医通过望闻问切分析诊断后得到的病例数据后，将数据挖掘算法应用到这些数据

上，建立模型得出结果并分析其中有价值的信息，即症状与证型、症状与药物、药物与用药

剂量、药物和用药剂量与方剂等之间的关系。诊疗流程如图所示。

16

T/CIXXX—2023

图10基于数据挖掘的中医诊疗模型

在中药规律方面，中药数量众多，药物的使用十分复杂，不同药物组合可能达到同样的

效果。所以，这对医生的用药能力提出很高的要求，医生既需要了解方剂本身的相关信息，

又需要结合药物的一些性质。采用数据挖掘技术对方剂数据进行分析，分析某种药物经常与

哪些其他药物相结合，探究药物特性与方剂功效之间的关系，使用算法生成和归纳出一些有

特定疗效的常用药物组合。

在判断证型方面，医生需要筛选患者疾病信息，结合中医理论和临床经验，提取其中的

关键信息，并对病情的发生机制进行推断，从而得出诊断结果。采用数据挖掘技术做证型诊

断首先筛选大量的症状信息，从症状指标数据中进行特征提取，获得有效信息，并对病情机

理进行分析，通过统计医生的诊断结果建立的模型进行模拟判断，预测疾病证型。

在方证关系上，在实际情况中，患者病情可能由多种因素导致，因此在治疗时，医生会

考虑根据经验直接从具体症状得出有效的治疗药物，归纳出一些方剂与病症之间特殊的关系。

因此数据挖掘技术研究方证关系就需要将病人的诊疗信息整合在一起分析。鉴于诊疗信息具

有高维性的特点，需要借助数据挖掘技术进行研究，从高维海量的诊疗数据中归纳出症状与

药物的关系。

4.6.3基于数据驱动的中医诊疗模型

基于数据驱动的中医诊疗模式是在中医辨病模型和中医辨证论治模型的基础上，融合中

医诊疗特征相关性算法而成，通过输入中医四诊的信息，模型会自动分析资料中相关的中医

特征，通过中医辨病模型和中医辨证论治模型进行辨病和辨证，并通过相关性算法计算得到

最终的辨证论治结果。模型的性能和运行结果都与训练模型的数据有关，不同的数据会得到

不同的特征。

以中医文本特征数据为主要研究对象，寻找中医疾病与中医证候间的相关关系，发现中

17

T/CIXXX—2023

医症状-疾病-证型-治法-方药间的规律和联系，构建以数据驱动思想为指导的中医精准诊疗

模型。具体方法：

（1）采集中医病、证的概念、定义、症状、治法和方药信息，采集有关中医名词术语

与症状体在要素，进行数据去重、归一化等预处理流程，组建中医药多源异构数据集。

（2）采用分词工具对中医文本数据进行分词，实现文本数据从非结构化到文本向量的

转变。

（3）提取文本向量中的关键词特征，并计算特征权重，并对提取计算结果进行评估选

择。

（4）运用数理分析方法提出一种中医诊疗特征相关性计算方法，以相关度表征精准性，

能够结合疾病的症状特征、各个疾病对应各个证型的症状特征以及其特征权重，通过特征选

择和如权计算的方式，量化辨病和辨证的过程，从而实现辨证论治的客现化，得出精准的辨

证论治结果，实现中医精准诊疗实现。

（5）采用中医病证结合诊疗模式思想，对疾病、证型概念和症状表现进行特征提取和

权重计算，得到疾病-特征相关关系和疾病-证型-特征相关关系，结合疾病-证型-治法-方药

联系分别构建中医辨病模型、中医辨证论治模型，最后结合中医诊疗特征相关性计算方法构

建基于数据驱动的中医精准诊疗模型。

4.6.4知识图谱在辅助诊疗中的构建与应用

丰富的语义表达能力和便于扩展的特性使得知识图谱在数据存储方面受到了广泛关注。

对于医疗领域的知识图谱来说，使用元数据，采用自顶向下的构建方法，对医疗数据进行实

体类型、关系类型以及实体属性的定义。通过爬取相关医疗网站的数据，并对数据进行清晰

以及格式化操作，最后将得到的医疗知识按实体节点、关系分类存入图数据库中，构建流程

如图所示。构建医疗知识图谱主要分为数据收集、无效数据的清洗处理和知识存储。知识图

谱构建流程如图所示。

图11知识图谱构建处理流程

数据收集是为