摘要：目的针对中医个性化处方推荐问题,研究自动化处方推荐任务,为中医临床辅助决策提供参考。方法基于大语言预训练文本生成模型设计一种中医个性化处方推荐算法。将中医处方推荐任务转化为端到端(seq2seq)的文本生成任务,即将临床症状描述文本通过模型转化为处方文本,以实现处方推荐任务的需求,并利用基于大语言预训练的BART(Bidirectional and Auto-Regressive Transformers)模型的预训练参数来提升模型对通用语义信息的理解,通过对训练集处方内中药排序提升模型的处方推荐性能。结果实验证明通过大语言预训练模型以及端到端的文本生成架构可有效提升模型的生成性能,同时对处方内中药依次排序可以获取更高准确率,并且通过中药的排列获取更多值得参考的有价值信息。中医个性化处方推荐模型在处方排序后分别在前5、10、15味生成的处方分别取得了58.60、53.79和49.67的准确率。结论中医个性化处方推荐模型取得了更优的处方推荐效果,表明其可为中医临床治疗疾病进行参考,达到辅助临床决策支持的效果。

摘要：On-Line Analytical Processing (OLAP) refers to the technologies that allow users to efficiently retrieve data from the data warehouse for decision support purposes. OLAP queries tend to be complex, often requiring computationally expensive operations such as multi-table joint and aggregation. In the high dimensional DW, we fully materialize the data cube impossibly. In this paper, we propose a novel aggregation algorithm, DHEPHA, to vertically partition a high dimensional dataset into a set of disjoint low dimensional datasets called shell Cube fragments. Using inverted hierarchical encoding indices and pre-aggregated results, OLAP queries are computed online by dynamically constructing cuboids from these Cube fragments. DHEPHA uses the small and their prefix, so it can rapidly retrieve the matching dimension member hierarchical encoding and evaluate the set of query ranges for each dimension, so that it can drastically reduce the multi-table joining effort and even could completely remove one or more join operations. As a result, the method we propose in this paper can greatly reduce the disk I/Os and highly improve the efficiency of OLAP queries.

摘要：介绍了一个数据仓库建模工具DWdesign,给出了DWdesign的基本结构,对DWdesign中若干关键技术进行了研究,包括中间语义层、自定义数据类型、XML和标准SQL支持。该工具已在多个企业的数据集上进行了试用。

摘要：为了实现财政管理工作现代化，文章对现行财政体制和财政管理现状进行了认真调研和分析，设计并开发出基于B／S结构的财政信息系统，目前已在常州市进行了具体的实施。

摘要：粗糙集理论是处理海量不完备信息系统的有力工具,可很好的运用到方剂数据分析中。本文对变精度粗糙集模型进行改进,结合相容关系,提出加权变精度容差关系模型,并将属性重要度和信息熵相结合作为启发式信息,给出基于属性敏感度的约简算法。在此基础上,将方剂各组成药物映射为粗糙集属性,对其进行重要度评价,并结合临床疗效,进行属性约简,探讨方-药-症-证对应关系。实验证明,将本文算法应用到方剂数据分析中,能准确地揭示方剂配伍规律和方证相应关系,指导临床遣方用药。

摘要：临床上中医辨证结果往往出现多个证型兼夹的情况,针对多证型的建模属于典型的多标记学习问题。传统的多标记学习算法不同标签之间相互独立,而兼夹证型中的各个证型(标签)之间存在紧密联系,传统的多标记学习算法无法解决这一问题。本文设计一种基于依赖树的中医辨证多标记学习算法MLRDT,分别寻找特征和标签对应的最优依赖树,并以标签依赖树对特征依赖树的预测结果进行修正,解决了标签之间的关联问题。将ML_(RDT)与经典的多标签学习算法(ML_(KNN)、ML_(RBF)、BP_(MLL))进行对比,并在中医数据集进行实验,结果显示:MLRDT的Hamming loss为0.0311±0.0042,One error为0.0396±0.0210,Coverage为0.0205±0.0020,Ranking loss为0.0114±0.0031、Average precision为0.9522±0.0103,表现优于其他算法。MLRDT能够较好地完成中医辨证的多标签分类问题,具有较好的推广和应用前景。

摘要：目的设计一种中药社团发现算法。方法将中医处方转化为矩阵数据,通过矩阵运算找出不同中药之间的关联度,以中药为节点、关联度为边,构造关联网络,采用分裂的层次聚类方法对关联网络进行社团划分,建立中药社团发现算法HCD。为了验证算法的有效性,将HCD与经典的社团发现算法GN进行比较,分别对969诊次结肠癌病案资料进行分析,比较分析结果差异。结果HCD能够较好地划分中药社团,划分结果符合中医理论,划分效果优于GN算法。结论将关联网络和层次聚类相结合构造的中药社团发现算法HCD能够有效划分中药社团,其可以广泛应用于中医临床数据挖掘中,为名老中医诊疗挖掘提供技术支撑。

摘要：针对现有SOS1抑制剂中新颖结构数量较少的问题,提出一种结合RNN及Transformer的改进分子生成算法R-T。首先用ChEMBL数据集对Transformer模型预训练,通过数据增强方法提高模型学习分子表征的能力;然后用SOS1抑制剂对预训练模型进行微调,运用强化学习方法设计MRTX0902的衍生物,并与对Specs库进行虚拟筛选的方法比较生成分子的质量。结果表明,R-T算法能生成多样性高、易合成的候选SOS1抑制剂,多样性为0.693,可合成性为3.14。这表明其在生成新颖化学结构上的有效性。

摘要：目的根据医案数据特点,设计一种药对提取算法。方法从医案中的药物入手,构造联合条件概率矩阵,设定最小联合条件概率矩阵(minUnion)作为药对提取阈值,从而形成药物社团发现算法TCM-HPD,并与Apriori算法进行比较,利用两个算法对1 512诊次冠心病医案的处方进行分析。结果TCM-HPD药对发现效果优于Apriori,TCM-HPD对minUnion参数敏感,当minUnion=0.4药对提取效果较好,成功提取冠心病医案中13组药对,结果符合专家经验。结论TCM-HPD算法可以有效地发现医案中潜在的药对,结果符合中医理论,对临床用药具有指导意义。

摘要：目的构建国医大师周仲瑛辨治原发性支气管肺癌(简称肺癌)经验知识图谱,为名老中医经验传承提供基础。方法以周仲瑛辨治肺癌临床医案为研究对象,结合其辨治肺癌的学术思想和诊疗路径,设计构建知识图谱模式层,并采用Bert-BiLSTM-CRF模型对肺癌医案中症状、舌象、脉象实体进行抽取,形成数据层,基于Neo4j图数据库构建知识图谱,并举例说明知识图谱的应用方法。结果筛选出符合要求的医案446例(576诊次),录入Excel 2016建立国医大师周仲瑛辨治肺癌医案数据库,并进行规范化处理。在Neo4j图数据库中,共创建病机、症状、病位、病理因素、病性、舌象、脉象、中药、治法9个实体标签和病机-症状、病机-舌象、病机-脉象、病机-病理因素、病机-病位、病机-病性、病机-治法、病机-中药、病理因素-中药9种关系类型,包含1281个节点和7791条关系,实现对周仲瑛辨治肺癌知识体系的可视化展示及语义检索功能。结论基于Neo4j图数据库构建周仲瑛辨治肺癌经验知识图谱,可将其辨治肺癌过程中具体的症状表现、治疗原则和用药规律进行客观展示。