基于梯度提升决策树技术构建问诊融合舌象特征的中医体质辨识模型的探索研究

目的应用机器学习方法,对融合舌象特征的中医体质新型量表与中医体质量表进行多维度优效性比较,以获得更适合临床使用的中医体质辨识模型。方法前瞻性招募患者进行客观化舌象特征和中医体质量表数据采集,将60条目中医体质量表简化为9道多选题形式,利用梯度提升决策树(gradient boosting decision tree,GBDT)方法将舌象特征和9题判定的体质特征进行融合进而构建中医体质辨识的GBDT模型,同时建立支持向量回归(support vector regression,SVR)和线性回归(linear regression,LR)机器学习模型,通过比较不同模型位于前3(top3)的偏颇体质一致率以及R 2决定系数,验证GBDT模型的可行性。结果共获得374例患者完整数据。GBDT模型与60条目中医体质量表体质判定结果进行比较,top3一致率为75.56%。从机器学习回归模型性能评价角度来看,GBDT模型的R^(2)决定系数为0.7727,相较于SVR和LR两种方法,R^(2)分别高出0.013和0.0628,表明GBDT模型具有更好的拟合能力。结论融合舌象特征和9题判定的体质特征构建的中医体质辨识GBDT模型具有可行性,有利于提升体质辨识的效率,还具备较高的可靠性和准确性,能够为中医临床决策提供有力支持。

融合舌象和形体特征的辅助中医体质辨识模型研究

构建客观化的中医体质辨识模型,为中医体质辨识提供一种辅助手段。分析测试者舌象中舌质和舌苔的颜色特征、舌苔的纹理特征,并融合形体特征,建立辅助中医体质辨识模型,并基于测试者的客观化舌象和形体特征数据的相似性,进行体质的辨别。实验结果表明,融合舌象和形体特征数据进行体质辨识,能有效提高体质辨识的客观化水平。

基于司外揣内原理的中医“舌象-体质”深度学习模型构建研究

司外揣内是中医诊断和健康评估的重要手段,中医体质辨识是这一理论的典型应用,传统的中医体质辨识依赖中医体质评分量表进行判定,效率低下。本文将深度学习技术应用到中医体质辨识领域,基于司外揣内原理,将多尺度舌象信息融入注意力模块中,以残差方式堆叠,将图像模态和文本模型的舌象信息融合,构建中医体质辨识模型,并在数据集上进行训练和测试,以期实现较为精准的体质判别。