双渠道知识注意力模型助力中医辨证：提升精准度，开启智能诊断新篇章

为解决中医文本晦涩、术语难提取致辨证准确率低的问题，研究人员开展基于双渠道知识注意力（DCKA）模型的中医辨证研究。结果显示该模型准确率达 84.01%，优于基线模型。其为中医辨证智能化提供新途径，意义重大。

在中医的世界里，辨证论治是其核心所在。传统中医通过望、闻、问、切收集患者信息，进而判断其所属的证型，以此来指导临床治疗。然而，这一过程高度依赖医生的个人经验和知识储备，不同医生之间的诊断结果可能存在较大差异，缺乏标准化的诊断标准使得中医辨证的准确性难以保证。

随着人工智能（AI）和自然语言处理（NLP）技术的飞速发展，将这些技术引入中医辨证领域成为了热门研究方向。利用 AI 模型可以处理大量的文本数据，包括患者的主诉、病史等，有望实现自动化、标准化的中医辨证，减少对医生主观判断的依赖，提高诊断的一致性和准确性。但中医文本中存在着大量生僻字、专业术语以及语义模糊的情况，传统的 NLP 方法在处理这些文本时困难重重。例如，一些基于 Transformer 架构的模型，如 BERT，虽然擅长捕捉长距离依赖和全局语义，但在处理像主诉这样的短文本时，容易忽略关键的局部特征。而且，其计算复杂度较高，不利于提取细粒度特征，难以满足准确辨证的需求。

为了解决这些问题，广西民族师范学院的研究人员开展了一项关于中医辨证的研究。他们提出了一种双渠道知识注意力（DCKA）模型，旨在提升中医辨证的准确性和效率。该研究成果发表在《Scientific Reports》上，引起了广泛关注。

研究人员在开展这项研究时，运用了多种关键技术方法。首先，采用了专门为中医领域设计的大语言模型 ZY-BERT，它是在 RoBERTa 框架基础上，利用大量中医相关文本数据进行预训练得到的，能够生成高质量的中医文本语义表示。其次，构建了双渠道网络，将卷积神经网络（CNN）和双向长短期记忆网络（Bi-LSTM）相结合。CNN 擅长从短文本中提取局部特征，对于捕捉中医主诉中的关键症状信息非常有效；Bi-LSTM 则通过双向传播和门控机制，能够很好地处理像病史和诊断信息这样的长文本，提取全局上下文依赖信息。此外，还引入了知识注意力机制，将中医证候知识融入模型，帮助模型更好地理解症状与证候之间的复杂关系。

研究结果如下：

1. 数据集：使用目前唯一公开的大规模中医辨证数据集 TCM-SD₄，该数据集包含 50000 多条去标识化的中医诊断记录，涵盖 148 种不同的中医证型，被划分为训练集、测试集和验证集，比例为 8:1:112。
2. 实验参数设置：在 RTX 4090 GPU 上，基于 Windows 系统和 PyTorch 框架进行实验。设置模型维度为 1024，文本处理长度为 512，训练 30 个 epoch，采用 Adam 优化器，学习率为 1e-5 等一系列参数34。
3. 实验评估指标：采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分数作为评估指标5。
4. 基线对比：将 DCKA 模型与多种模型进行对比实验，包括决策树（DT）、支持向量机（SVM）、BiLSTM、BERT 等。结果显示，DCKA 模型在验证集和测试集上均取得了最高的预测准确率，分别达到 83.12% 和 84.01%，在召回率和 F1 分数上也优于其他模型，证明了其在中医辨证任务中的优越性67。
5. 消融实验：对 DCKA 模型的各个模块进行消融实验，结果表明，双渠道网络（CNN + BiLSTM）帮助模型从中医文本中捕获了更多样化的特征，使准确率相比 ZY-BERT 分别提高了 1.15% 和 1.22%；知识注意力模块则增强了模型识别复杂证候的能力，使准确率提高了 0.54% 和 0.60%8。
6. 改进 CNN 实验：增加 CNN 卷积核数量至 (2, 3, 4, 5) 以及结合多种池化方法，均提高了模型性能，表明多样化的卷积核和池化策略有助于模型更好地提取信息910。
7. 知识注意力实验：知识注意力机制在长文本通道中效果更明显，能够帮助模型理解长文本特征，增强证据分类性能。通过可视化知识注意力热图发现，微调后其呈现出一定规律性1112。
8. 失败案例与错误分析：DCKA 模型在某些证型的预测上存在困难，主要原因是这些证型的可训练样本数量不足，且文本中含有大量罕见词，导致模型难以学习和理解1314。
9. 文本分类任务验证：在其他文本分类任务（如 SST-2、R8、Ohsumed 数据集）中，DCKA 模型也表现出色，优于其他基于 BERT 的模型，证明其具有良好的泛化能力1516。

研究结论和讨论部分指出，DCKA 模型通过双渠道架构有效提取中医文本的局部和全局特征，改进的 CNN 和知识注意力机制进一步提升了模型性能。在中医辨证任务中，该模型在准确率和 F1 分数上表现卓越，为中医辨证智能化提供了新的思路和方法。然而，研究也存在局限性，如对 TCM-SD 数据集中长尾问题的处理能力有待提高。未来的研究可以朝着增强模型对罕见证候样本的识别能力方向展开，为构建更全面、更强大的中医诊断系统奠定基础。这项研究不仅在中医领域具有重要的应用价值，还为人工智能与中医的结合提供了新的视角和范例，推动了中医现代化的进程。