《Engineering Applications of Artificial Intelligence》:Distribution-aware neural network: A novel patient representation learning algorithm for Traditional Chinese medicine diagnosis prediction
编辑推荐:
中医(TCM)诊断涉及异质性症状与诊断模式之间复杂且隐性的关联,以及不同疾病和患者之间的分布异质性。现有的智能诊断模型主要关注架构优化,但缺乏对潜在症状-诊断分布(symptom-diagnosis distributions)的显式建模,导致鲁棒性、跨疾病泛
中医(TCM)诊断涉及异质性症状与诊断模式之间复杂且隐性的关联,以及不同疾病和患者之间的分布异质性。现有的智能诊断模型主要关注架构优化,但缺乏对潜在症状-诊断分布(symptom-diagnosis distributions)的显式建模,导致鲁棒性、跨疾病泛化能力和可解释性有限。为应对这些挑战,研究人员提出了一种分布感知神经网络(DANN)用于诊断表征学习。该框架整合了全局和类条件(class-conditional)特征分布的显式表示,并集成判别性剪枝(discriminative pruning)和潜在结构分解(latent structure decomposition)以捕获群体层面的诊断规律和细粒度的差异变化。此外,研究人员引入了一个跨疾病临床数据集(TCM-Chronic),涵盖15种慢性疾病、5876例临床病例和97个诊断标签,以模拟现实世界的共病场景。在公共多标签数据集(TCM-Lung)和跨疾病数据集上的实验表明,DANN一致性地优于最先进的机器学习(machine learning)、深度学习(deep learning)和大语言模型(large language model)基线。在TCM-Lung上,DANN的F1-score为0.5112,比最强基线高3.6个百分点。在TCM-Chronic上,DANN的F1-score为0.7146,比随机森林(random forest)高7.21个百分点。消融研究和专家评估进一步证实,分布感知建模有助于提高诊断鲁棒性和更好的可解释性。这些结果表明,显式建模诊断特征分布为智能诊断提供了一种有效范式,其潜在适用性可超越中医,扩展到更广泛的临床决策支持任务。
## 论文解读:分布感知神经网络在中医诊断预测中的应用
### 研究背景与问题
传统中医(TCM)诊断依赖于异质性症状与诊断模式之间复杂、隐性的关联,并面临不同疾病和患者之间的分布异质性。现有智能诊断模型主要关注架构优化,却缺乏对潜在症状-诊断分布(symptom-diagnosis distributions)的显式建模,导致三个主要问题:第一,跨疾病数据集的稀缺限制了模型在真实共病场景中的泛化能力;第二,模型在分布偏移或异质性临床环境下鲁棒性不足,可能产生医学上不合理的预测;第三,诊断算法缺乏临床可解释性,限制了医生信任和实际应用。因此,研究人员开展了这项研究,旨在通过显式建模症状-疾病分布的统计结构,弥合数据驱动模型与专家诊断推理之间的差距。
### 研究内容与结论
研究人员提出了分布感知神经网络(distribution-aware neural network, DANN),并构建了跨疾病临床数据集TCM-Chronic。在公共多标签数据集TCM-Lung和跨疾病数据集TCM-Chronic上的实验表明,DANN一致性地优于最先进的机器学习、深度学习和大语言模型(large language model, LLM)基线。在TCM-Lung上,DANN的F
1-score为0.5112,比最强基线(ZY-BERT)高3.6个百分点;在TCM-Chronic上,DANN的F
1-score为0.7146,比随机森林(random forest, RF)高7.21个百分点。消融研究证实了各模块(分布感知模块、判别性剪枝模块、潜在结构分解模块)的协同贡献,专家评估显示DANN在特征归因合理性、临床诊断逻辑一致性、疾病特异性及与从业者水平等效性等维度上均优于RF。该研究将智能中医诊断从架构驱动优化转向分布感知表征学习,为广泛临床决策支持任务提供了有效范式。论文发表在《Engineering Applications of Artificial Intelligence》。
### 关键技术方法
研究人员使用四个核心模块:分布感知模块(distribution awareness module, DAM)通过全局均值和类条件均值计算特征-标签交互矩阵,模拟医生诊断推理;判别性剪枝模块(discriminative pruning module, DPM)通过去除全局相关性增强局部标签差异;潜在结构分解模块(latent structure decomposition module, LDM)通过非负矩阵分解增加表征容量;知识引导诊断模块(knowledge-guided diagnosis module, KDM)整合结构化医学先验进行最终诊断。数据集方面,TCM-Lung来源于河南中医药大学第一附属医院呼吸科住院病历;TCM-Chronic从古代和现代医案云平台、杏林园中医药数据库、中国知网和万方数据库收集2000-2024年文献,覆盖15种慢性疾病、5876例病例和97个诊断标签。
### 研究结果
**5.1 整体性能(RQ1)**:在TCM-Lung上,DANN的F
1-score为0.5112,优于所有基线;在TCM-Chronic上,DANN的F
1-score为0.7146,高于RF的0.6425。结果表明显式分布建模增强了疾病检测敏感性和差异辨别能力。
**5.2 不同疾病数量下的模型性能(RQ2)**:从TCM-Chronic构建2至15个疾病的子集,DANN在所有子集上均取得最佳F
1-score,且随疾病数量增加保持鲁棒,而其他方法在规模增大时性能下降。证明DANN能有效缓解跨疾病分布偏移。
**5.3 消融实验(RQ3)**:移除DAM使F
1-score降至0.5018(下降1.84%),移除DPM降至0.5095,移除LDM严重降至0.4484。关键启发式设计分析显示,特征缩放、全局均值调整和行均值居中均不可或缺。验证各模块在分布感知、差异信息和复杂度调节中的必要作用。
**5.4 超参数分析(RQ4)**:drop rate在0.6时最优,隐藏层大小在2200附近存在峰值,学习率在0.01时最优。提示复杂任务需更高drop rate以避免过度分布感知。
**5.5 可解释性与专家感知(RQ5)**:特征贡献热力图显示DANN比RF更均衡地利用特征,避免单一特征垄断。五位专家(副教授及以上)盲评表明,DANN在Likert量表均分3.92(RF为2.92),在特征归因偏好(64.0%对36.0%)和诊断预测偏好(74.0%对26.0%)中均占优,整体可解释性显著优于RF。
### 讨论与结论
讨论部分指出,DANN通过显式建模症状-疾病分布模式而非单纯增加架构深度,捕获了先前未充分探索的潜在诊断规律;分布感知模块与判别性剪枝模块协同模拟了中医诊断推理的关键方面。但框架仍存在局限性:内部推理仅部分透明,未来需开发注意力证据高亮、反事实分析或因果推断路径;当前主要依赖结构化症状表示,未能充分利用非结构化临床文本,需结合针对中医术语的自然语言处理;未纳入图神经网络基线,未来可探索混合架构以整合症状-综合征知识图谱。
结论部分翻译如下:本研究提出了一种新颖的分布感知神经网络用于智能中医诊断,并引入显式分布感知表征学习机制来建模现有方法常忽视的潜在症状-疾病模式。在公共TCM-Lung数据集和新构建的跨疾病TCM-Chronic数据集上的大量实验表明,DANN一致性地优于传统机器学习模型、深度学习基线和大语言模型,实现了更优的鲁棒性、跨疾病泛化能力和可解释性。通过将焦点从架构驱动优化转向机制感知分布建模,本研究推进了现有智能中医诊断研究,并为未来研究提供了方法论框架和精心整理的多种疾病基准。基于这些发现,建议未来的智能诊断系统整合显式分布建模、评估跨疾病鲁棒性,并优先考虑临床一致的可解释性,以促进可靠的临床部署。