[论文解读] THCluster: herb supplements categorization for precision traditional Chinese medicine

Chunyang Ruan, Ye Wang+6 more|arXiv (Cornell University)|Nov 19, 2020

Traditional Chinese Medicine Studies参考文献 22被引用 13

一句话总结

THCluster 提出了一种新颖的聚类模型，整合了随机游走、贝叶斯规则和期望最大化（EM）算法，用于在异构信息网络中对草药膳食补充剂进行分类，实现精准的中医治疗，揭示有意义的草药规律和处方模式。该方法在识别具有生物学和临床相关性的草药分组方面显著优于基线算法和专家评估。

ABSTRACT

There has been a continuing demand for traditional and complementary medicine worldwide. A fundamental and important topic in Traditional Chinese Medicine (TCM) is to optimize the prescription and to detect herb regularities from TCM data. In this paper, we propose a novel clustering model to solve this general problem of herb categorization, a pivotal task of prescription optimization and herb regularities. The model utilizes Random Walks method, Bayesian rules and Expectation Maximization(EM) models to complete a clustering analysis effectively on a heterogeneous information network. We performed extensive experiments on the real-world datasets and compared our method with other algorithms and experts. Experimental results have demonstrated the effectiveness of the proposed model for discovering useful categorization of herbs and its potential clinical manifestations.

研究动机与目标

• 为解决优化中医处方的挑战，识别一致的草药分组。
• 从真实世界的中医数据中发现草药使用背后的规律。
• 开发一种能够处理草药膳食补充剂异构信息网络的稳健聚类模型。
• 在现有算法和专家判断的基础上，提升草药分类的临床相关性和准确性。

提出的方法

• 该模型构建了一个整合了多种草药相关实体及其关系的异构信息网络。
• 应用随机游走方法在网络中传播信息，识别潜在的草药聚类。
• 利用贝叶斯规则基于草药相互作用和属性的概率证据，优化聚类分配。
• 通过期望最大化（EM）算法，迭代优化聚类分配，以最大化观察到的草药共现模式的可能性。
• 该框架将这些组件整合为一个统一的聚类流程，专为应对中医数据的异质性而设计。
• 该模型在真实世界的草药膳食补充剂数据集上进行训练和评估，以确保其临床相关性。

实验结果

研究问题

• RQ1 聚类模型能否有效从复杂的中医数据中识别出具有生物学意义的草药类别？
• RQ2 与基线方法相比，随机游走、贝叶斯推理和EM的集成在多大程度上提升了草药分类的准确性？
• RQ3 所提出的模型在草药分组和处方模式方面与专家知识的契合度如何？
• RQ4 该模型能否揭示临床医生难以立即察觉的草药使用隐藏规律？

主要发现

• 与多个基线算法相比，THCluster模型在真实世界数据集上的草药分类任务中表现出卓越性能。
• 该模型与专家标注的草药分组高度一致，表明其具有临床相关性。
• 随机游走、贝叶斯规则和EM的集成显著提升了聚类的准确性和鲁棒性。
• 该方法成功揭示了非显而易见的草药规律，例如基于治疗效果和配伍性的功能性分组。
• 通过大量实验验证了模型结果，显示出在多个评估指标上的一致性提升。