一种基于神经符号融合的中医古籍临床辅助决策系统

摘要: 本发明属于自然语言处理、知识图谱、人工智能及中医信息学,特别是指一种基于神经符号融合的中医古籍临床辅助决策系统。背景技术:1、中医经典医籍蕴含丰富的辨证论治智慧...
一种基于神经符号融合的中医古籍临床辅助决策系统

本发明属于自然语言处理、知识图谱、人工智能及中医信息学,特别是指一种基于神经符号融合的中医古籍临床辅助决策系统。

背景技术:

1、中医经典医籍蕴含丰富的辨证论治智慧,然而当前中医古籍知识的临床转化与智能临床辅助决策系统的构建面临三大核心挑战:

2、第一,底层知识异构与古今语义鸿沟导致知识库底层特征表示稀疏。中医古籍文献、现代教材与真实世界临床病历在表达方式上存在巨大的时代跨度与个体差异。古籍记载多为非结构化的自然语言描述,且高度凝练的术语与临床口语化的症状描述之间存在海量的同义异名现象。现有研究多依赖单一的字符串匹配或浅层相似度计算,在处理长尾临床术语时易产生语义漂移与匹配失效,严重影响了模型对古籍知识的有效吸收和利用,导致底层知识底座无法有效支撑前端临床输入。

3、第二,单一数据驱动模型存在逻辑黑盒与辨证逻辑断层问题,可解释性不足。当前领域内广泛采用的深度学习或大语言模型,本质上是基于统计概率的端到端映射,这种架构将复杂的辨证论治过程降维为扁平化的多标签分类任务。虽然能够实现症状到方药的直接映射,但缺乏对中医“因、机、症、治”诊疗逻辑的显式建模,不仅容易产生违背医学常识的幻觉,更严重破坏了中医环环相扣的推理链条。这种不透明的推理过程导致输出结果在严谨的医疗场景中缺乏可解释性,临床医生难以理解和信任其决策依据,制约了系统的临床应用。

4、第三,现有系统对复杂慢病动态推理能力缺失,对不完整信息的处理能力不足。真实世界的临床推理绝非理想状态下的静态分类,如冠心病等慢性疾病往往病机复杂、症状群庞大、呈现主次兼夹的复合状态。同时,临床实践中常面临初诊、急诊或远程会诊等信息不完整、残缺的情况。现有研究多基于完整信息假设进行建模,采用固定的特征输入与单一的输出模式,缺乏对复合病机的分析能力以及对合方的推荐能力。在面对残缺数据和非典型病例时,准确性和鲁棒性极差,无法模拟人类专家灵活的动态推理思维。

技术实现思路

1、为了解决上述现有技术存在的技术问题,本发明提供了一种基于神经符号融合的中医古籍临床辅助决策系统,所述系统构建了一种“语义对齐-逻辑串行-决策并行”的推理架构,该架构在保留规则约束的前提下,最大化神经计算的搜索空间,包括:多维度底层知识库与临床语义对齐模块、神经符号双轨推理架构、神经符号双轨融合与智能加减模块;

2、所述多维度底层知识库与临床语义对齐模块,用于从历代古籍、现代教材及指南中抽取知识,构建多源知识图谱,并将自然语言临床病历文本转化为规范化实体序列;

3、所述神经符号双轨推理架构,包括双轨并行运行的基于强逻辑约束的规则推理模型和基于bert-base-chinese与heterognn的异构图神经网络模型,分别输出符号侧推理决策结果和神经侧推理决策结果;

4、所述神经符号双轨融合与智能加减模块,用于先进行符号侧与神经侧异构空间的语义对齐与共享感知,然后进行非对称的推理流程,在治法约束明确的前提下,进行双轨并行推理,并通过元认知控制枢纽计算当前输入病例的规则覆盖度与病例复杂度,自适应调整双轨决策的融合权重,最后在得出最终决策前执行三级冲突安全检测,并提取未覆盖的残余症状以驱动智能组方药物加减计算,实现“主病主方,兼病兼药”的精准施治,最终生成包括多源贡献度归因的全链路可解释性辅助决策报告。

5、本发明提供的技术方案带来的有益效果至少包括:

6、本发明突破传统端到端模型的黑盒限制,将复杂的辨证论治思维解构为可计算的特征感知、核心推理、决策映射与逻辑质控层级;同时,结合预训练语言模型与异构图神经网络,在面临真实世界残缺数据与非典型复杂慢病时展现出良好的鲁棒性,从而确立高置信、可溯源的辅助诊疗机制,为临床提供具备高准确率且可解释的辅助决策方案,具体的:

7、1、本发明通过临床语义对齐打通多源古籍、现代诊疗知识,实现病历自然语言到标准化知识实体的转化,解决中医知识异构、病历非结构化难以直接计算的难题。

8、2、本发明神经符号双轨推理,兼顾规则强逻辑约束与图神经网络对复杂病例的挖掘能力,在保留中医诊疗规则前提下拓宽模型搜索空间。

9、3、本发明基于元认知自适应调整双轨决策权重,适配不同复杂程度病例,三级冲突安全检测降低诊疗决策风险。

10、4、本发明依据残余症状实现方药智能加减,落实主病主方、兼病兼药;输出带贡献度归因的可解释报告,推理全链路可追溯,提升中医 ai 诊疗可信度与实用性。

1.一种基于神经符号融合的中医古籍临床辅助决策系统,其特征在于,所述系统构建了一种“语义对齐-逻辑串行-决策并行”的推理架构,该架构在保留规则约束的前提下,最大化神经计算的搜索空间,包括:多维度底层知识库与临床语义对齐模块、神经符号双轨推理架构、神经符号双轨融合与智能加减模块;

2.根据权利要求1所述的系统,其特征在于,所述神经符号双轨融合与智能加减模块中先进行符号侧与神经侧异构空间的语义对齐与共享感知,确保双轨推理基于同一临床事实基准,具体包括:

3.根据权利要求1所述的系统,其特征在于,所述神经符号双轨融合与智能加减模块中进行非对称的推理流程,在治法约束明确的前提下,进行双轨并行推理,具体包括:

4.根据权利要求1所述的系统,其特征在于,所述神经符号双轨融合与智能加减模块中元认知控制枢纽不直接参与诊疗决策,而是负责对输入病例的可解释性进行评估,通过计算规则覆盖度与病例复杂度两个维度的指标,实时感知当前病例与规则库边界的相对位置,输出一个二维状态向量:

5.根据权利要求4所述的系统,其特征在于,所述元认知控制枢纽计算当前输入病例的规则覆盖度,具体包括:

6.根据权利要求4所述的系统,其特征在于,所述元认知控制枢纽计算当前输入病例的病例复杂度,具体包括:

7.根据权利要求1所述的系统,其特征在于,所述神经符号双轨融合与智能加减模块中自适应调整双轨决策的融合权重,具体包括:

8.根据权利要求1所述的系统,其特征在于,所述神经符号双轨融合与智能加减模块中执行三级冲突安全检测,具体包括:

9.根据权利要求1所述的系统,其特征在于,所述神经符号双轨融合与智能加减模块中提取未覆盖的残余症状以驱动智能组方药物加减计算,具体包括:

10.根据权利要求1所述的系统,其特征在于,所述神经符号双轨融合与智能加减模块中生成包括多源贡献度归因的全链路可解释性辅助决策报告,具体包括: