本文属于类型a，即单一原创研究论文的学术报告。以下为基于该文档内容撰写的详细报告。
本文的主要作者来自中国科学院沈阳自动化研究所数字工厂课题组，包括Zhi Liu、Zeyu Zheng、Qingfeng Yao等，合作单位还包括新泽西理工学院、辽宁石油化工大学、山东科技大学等。通信作者为Zeyu Zheng和Liang Qi。该研究于2019年8月20日投稿，2019年9月8日被接收，2019年9月16日在线发表，2019年10月4日收录于IEEE Access第7卷，文献编号为10.1109/ACCESS.2019.2941503。
这项研究属于人工智能与中医药交叉领域，核心方向是利用深度学习方法模拟中医问诊和处方生成过程。传统草药医学在全球范围内被广泛使用，世界卫生组织数据显示约40亿人使用草药治病。然而，中医学习周期长，且主要依赖师徒传承，难以大规模推广。因此，研究者希望借助深度学习技术，从临床记录中自动学习症状与草药之间的交互规律，模拟中医“辨证论治”的思维过程，实现智能化处方生成。此前的研究大多基于规则或传统机器学习，或者仅做聚类分析，未能真正实现端到端的处方自动生成。本研究的目标是构建一个能够从症状序列直接生成草药序列的深度学习模型，并使其学习中医配伍原则和主次症状区分能力。
本文提出的模型名为AttentiveHerb，基于循环神经网络的序列到序列（seq2seq）框架构建。模型包含编码器和解码器两部分。编码器使用一个标准的长短期记忆网络（LSTM），称为EncLSTM，将输入的症状序列逐个编码为隐藏状态。输入是一个矩阵X，维度为T×S，其中T表示症状数量，S是每个症状的词向量维度。每个症状被表示为一个词或短语向量。输出是一个草药序列O，包含L味草药。研究使用共6428条临床失眠病例数据，其中5785条作为训练集，643条作为测试集。每条记录包含症状、中医诊断、证候、治法、处方及疗效等信息。为了避免过拟合，研究者删除了症状或草药数量超过26个的样本。
模型的创新点在于设计了两种不同的注意力机制。第一种是主次症状注意力机制（Main-Subordinate Symptom Attention），用于区分主要症状和次要症状。中医医生在开方时会优先针对主症选择药物，再考虑兼症。该机制通过为每个症状引入一个主症标志f（f=1表示主症，f=0表示次症），结合EncLSTM输出的隐藏状态，计算注意力权重ε_t。具体公式为：ε_t等于exp(w_ε·h^enc_t)除以所有时刻的exp(w_ε·h^enc_j)之和，再乘以exp(f_t)除以所有f_j的指数和。其中wε是可训练参数。通过加权求和得到中间上下文表示p，p保留了更多主症信息。第二种是动态草药注意力机制（Dynamical Herb Attention），用于在生成每一味草药时对不同症状给予不同关注。该机制以先前生成的草药o{l-1}和解码器隐藏状态h^dec_{l-1}作为输入，通过softmax函数计算注意力权重λ，λ是一个包含T个标量的向量，每个标量对应一个症状，表示当前生成的草药对该症状的作用程度。λ越大，表示该草药对该症状的缓解作用越强。最终的输入向量ν由λ与编码器隐藏状态的加权求和得到。解码器GenLSTM以ν和p作为输入，逐步生成草药，直到遇到结束符。这种设计模拟了医生在开方时会根据已选药物和患者症状逐步添加药物的过程。
实验设置方面，研究者选择了三个基线模型进行对比：普通LSTM seq2seq模型、带注意力机制的LSTM seq2seq模型、以及Li等人在2018年提出的基于覆盖机制和软损失函数（coverage-soft-model）的模型。所有模型使用相同的LSTM参数设置，并使用Adam优化器在NVIDIA P100 GPU上训练。由于中医处方生成是一个生成式任务，传统的precision、recall、BLEU等指标无法合理评价预测处方，因为不同医生可能会针对同一症状开出不同但都有效的药物。因此，研究者邀请了来自辽宁普济中医门诊部等机构的中医医生对生成的处方进行人工评价。评价从两个维度进行：草药有效性（Herb Effectiveness, HE）和草药配伍性（Herb Compatibility, HC），评分范围均为0到5分，分数越高表示效果越好。评价结果显示，普通LSTM seq2seq模型的HE和HC分数较低；加入注意力机制的模型在HE和HC上分别提高了38%和80%；coverage-soft模型在此基础上略有提升；而AttentiveHerb模型通过主次症状注意力机制，在HE和HC上均取得了最大幅度的提升，尤其在HC分数上表现突出。消融实验表明，主次症状注意力比动态草药注意力的贡献更大，说明保留主症病理特征对后续计算更为关键。研究者还进行了超参数实验，发现增加LSTM层和注意力层的容量可以提升模型性能，但当设置过大（如512维2层LSTM）时，由于训练样本有限，模型在训练集上过拟合，性能反而下降。
在测试集上，预测处方被分为五类。第一类是完全与标签处方一致，占51%；第二类是预测处方包含了标签处方中的所有草药并额外增加了几味草药，占1.09%；第三类是预测处方中的草药全部包含在标签处方中，但标签处方还有额外药物，占15.4%；第四类是预测处方与标签处方有部分重叠，占22.41%；第五类是完全不同，占10.1%。综合前三类，67.49%的预测处方接近标签处方；包含与标签处方相同草药的预测处方占89.9%。这显示模型生成的处方与医生处方具有较高的一致性。值得注意的是，模型不仅能够复现标签处方，还能推荐一些标签处方中不存在但对缓解症状有益的草药。例如，在失眠病例中，模型预测的当归和白术虽然不在标签处方中，但中医理论认为它们可以补血滋阴，对细脉症状有效。模型预测的丹参可以活血化瘀，缓解心悸。黄芪和太子参可以补气升阳，缓解自汗。这些替换具有一定合理性，体现了模型学习到了草药与症状之间的深层关系。通过注意力可视化分析，研究者展示了模型如何为每种草药分配对不同症状的作用权重，进一步验证了模型学习到的草药-症状交互知识。
研究的结论是，AttentiveHerb模型能够从临床数据中自动学习中医辨证论治和君臣佐使等配伍原则，实现对主次症状的区分和动态草药选择，从而生成有效且具有创造性的处方。该研究首次将端到端的序列生成方法应用于中医处方生成，并为智能中医领域提供了一个基准模型。模型不仅限于中医领域，还可推广到其他类似的序列诊疗任务中。未来工作将聚焦于建立更有效的处方评价指标、收集更多标准化中医临床数据、建模草药剂量、以及利用中医知识图谱辅助处方生成等方向。
本研究的亮点包括：提出了两种针对中医特性的注意力机制，分别建模主次症状区分和症状-草药动态交互；利用人工医生评价而非传统机器翻译指标来评估生成处方质量；模型在小样本条件下仍能保持较好性能；并展示了模型对中医配伍原则的隐式学习能力。该研究为后续智能中医处方生成研究提供了方法学基础和评估思路。