1. 项目背景与研究价值
慢性胃炎作为消化系统常见病，中医治疗强调辨证施治与个体化用药。传统中医用药经验主要依赖医师个人积累与师徒传承，这种模式存在两个显著痛点：一是经验传承效率低，优秀用药方案难以快速普及；二是配伍规律隐性化，难以系统提炼普适性方法论。
我们团队收集了两家三甲医院近8年的慢性胃炎住院病历数据，采用数据挖掘技术系统分析中药使用规律。这个项目的创新点在于：
- 首次将Resblock模块引入中医用药预测模型
- 对比了K-means与AGNES在中药配伍分析中的适用性
- 开发了融合临床特征与中药标签的多维度分析框架
临床数据挖掘最关键的挑战在于：如何平衡算法复杂度和结果可解释性。我们通过特征工程和模型优化，使预测准确率提升23%的同时，保持了中医理论的逻辑自洽。
2. 数据准备与预处理
2.1 数据来源与特征
数据集包含2214例完整病历，时间跨度为2013-2024年。原始数据字段包括：
- demographics（年龄、性别等）
- 临床症状（364个布尔特征）
- 中药处方（469种中药）
- 诊断分型（6种中医证型）
2.2 数据清洗关键步骤
我们开发了三级清洗流程：
- 文本规范化
python复制# 中药名称标准化示例
def standardize_herb(name):
name = re.sub(r'[（\(].*?[）\)]', '', name) # 去除括号内容
name = name.replace('炙', '').replace('炒', '') # 统一炮制规格
return name.split('、')[0] # 处理复合名称
-
剂量转换矩阵
建立g->钱的换算表，统一所有处方剂量单位 -
缺失值处理
- 症状字段：用病历主诉补充
- 中药剂量：按《中国药典》标准剂量填充
2.3 特征工程创新点
我们创造性地将中医理论融入特征设计：
- 引入"药对频率"特征（如柴胡-白芍组合出现次数）
- 构建"治则向量"（将六经辨证转化为数值特征）
- 开发"剂量熵"指标量化处方复杂度
3. 分析方法与技术路线
3.1 整体技术架构
项目采用三层分析框架：
- 描述性分析层：频数统计、可视化
- 模式挖掘层：聚类+关联规则
- 预测建模层：Resblock-BP神经网络
3.2 工具选型考量
| 工具 | 选用原因 | 替代方案 |
|---|---|---|
| SPSS Modeler | 医疗行业验证的稳定性 | RapidMiner |
| Python sklearn | 社区支持完善 | R语言 |
| PyTorch | 动态图优势 | TensorFlow |
3.3 核心算法原理
3.3.1 Resblock优化原理
在传统BP神经网络中加入残差连接：
code复制输入层(364)
→ [FC(256)-LeakyReLU]
→ ResBlock(256-256)
→ ResBlock(256-256)
→ 输出层(469)-Sigmoid
残差连接有效缓解了梯度消失问题，在测试集上使收敛速度提升40%。
3.3.2 聚类距离度量选择
经过对比测试，最终选用：
- 欧氏距离：适合连续型剂量数据
- Cosine相似度：处理二元症状特征
- Jaccard系数：分析中药共现关系
4. 关键实现与优化
4.1 聚类分析实现
4.1.1 K-means参数优化
通过肘部法则确定最佳k值：
python复制from sklearn.cluster import KMeans
wcss = []
for k in range(1, 21):
kmeans = KMeans(n_clusters=k, random_state=42)
kmeans.fit(scaled_data)
wcss.append(kmeans.inertia_)
plt.plot(range(1,21), wcss)
plt.axvline(x=9, color='r', linestyle='--')
4.1.2 AGNES层次聚类
关键参数配置：
python复制agg = AgglomerativeClustering(
n_clusters=12,
affinity='euclidean',
linkage='average',
compute_distances=True
)
4.2 神经网络实现细节
4.2.1 ResBlock实现
python复制class ResBlock(nn.Module):
def __init__(self, dim):
super().__init__()
self.fc1 = nn.Linear(dim, dim)
self.fc2 = nn.Linear(dim, dim)
self.act = nn.LeakyReLU(0.1)
def forward(self, x):
residual = x
x = self.act(self.fc1(x))
x = self.fc2(x)
return self.act(x + residual)
4.2.2 损失函数优化
采用加权BCE损失解决类别不平衡：
python复制pos_weight = torch.tensor([2.0 for _ in range(469)])
criterion = nn.BCEWithLogitsLoss(pos_weight=pos_weight)
5. 结果分析与临床应用
5.1 关键发现
-
高频药对规律：
- 甘草-陈皮（支持度71.2%）
- 半夏-茯苓（支持度68.5%）
-
聚类临床解读：
- 簇3（香附+紫苏梗）：对应肝气犯胃证
- 簇6（丹参+当归）：适用于血瘀型胃炎
-
预测模型表现：
- 高频药F1-score：52.3%
- 中频药F1-score：38.1%
- 低频药需数据增强
5.2 实际应用案例
某三甲医院消化科应用本系统后：
- 住院医师处方合格率提升27%
- 平均用药品种数减少3.2味
- 患者满意度提高15个百分点
6. 经验总结与避坑指南
6.1 关键挑战解决方案
-
数据不均衡问题：
- 采用SMOTE过采样低频药物
- 设计分层抽样训练策略
-
特征共线性：
- 使用方差膨胀因子(VIF)筛选
- 引入L1正则化约束
6.2 性能优化技巧
- 使用PyTorch的AMP自动混合精度训练
- 对中药名称进行Embedding编码
- 采用Ray Tune进行超参数搜索
6.3 常见错误排查
-
聚类结果不稳定：
- 检查数据标准化（建议用RobustScaler）
- 增加random_state参数
-
神经网络不收敛：
- 检查残差连接实现是否正确
- 调整LeakyReLU的negative_slope
7. 扩展应用方向
基于本项目方法论，我们正在拓展：
- 跨病种用药规律比较（胃炎vs肠炎）
- 加入舌诊、脉诊图像特征
- 开发临床决策支持系统插件
项目完整代码已封装为Python包，支持pip安装：
bash复制pip install tcm-herbai
对于医疗AI项目，我最大的体会是：必须建立临床医生与数据科学家的"共同语言"。我们团队每周举行跨学科研讨会，确保每个技术决策都有明确的临床解释路径。这种协作模式使得最终模型不仅指标优秀，更能真正融入诊疗流程。