基于软阈值领域聚合图网络的《伤寒论》方剂推荐方法

目的:针对《伤寒论》辅助诊断和决策支持缺乏等问题,以《伤寒论》名家医案为基础,提出一种基于深度学习的《伤寒论》医案数据建模方法和《伤寒论》方剂推荐模型。方法:本研究采用基于Levenshtein距离的同义词识别算法对医案资料中的症状描述进行聚类,减小症状数据集维度;以“患者”-“症状”为本体构建《伤寒论》异质图数据集,并采用Sentence-BERT模型获得具有深层语义的节点嵌入向量;提出融合自适应软阈值滤波的领域聚合STGraphSAGE图卷积深度学习模型,并将其应用于《伤寒论》方剂推荐任务。结果:最终将非结构化的《伤寒论》医案建模为图结构数据集,并在该数据集上进行了实验,在F1-Score等4项评价指标下,提出的ST-GraphSAGE取得了优于机器学习及其他主流图深度学习模型的成绩,方剂推荐准确率可达76%,且相较于基础模型,ST-GraphSAGE在处理含噪数据时准确率提高0.51%~3.92%。结论:提出《伤寒论》医案建模方案及ST-GraphSAGE图深度学习模型,其方剂推荐准确率较高且泛化能力强,能充分利用《伤寒论》医案的个体及关系信息,为中医临床的决策支持提供新的研究思路。