《Chinese Medicine》：Modeling symptom-acupoint interactions via a heterogeneous graph learning framework for intelligent acupoint recommendation
编辑推荐：
针灸处方蕴含着基于多症状与多穴位交互的复杂配伍机制，凝聚了数千年的临床经验。尽管目前在计算性穴位推荐领域的研究兴趣日益增长，但由于临床数据稀疏以及对症状与穴位关系建模不足，仍存在重大挑战，这对有效预测构成了相当大的障碍。研究人员提出了一种结合图神经网络（GNN
针灸处方蕴含着基于多症状与多穴位交互的复杂配伍机制，凝聚了数千年的临床经验。尽管目前在计算性穴位推荐领域的研究兴趣日益增长，但由于临床数据稀疏以及对症状与穴位关系建模不足，仍存在重大挑战，这对有效预测构成了相当大的障碍。研究人员提出了一种结合图神经网络（GNN）与微调后的双向编码器表征来自Transformer（GNN-BERT-Attention）的穴位配伍预测框架。该研究引入了异构特征交互学习机制，通过异构图构建来建模症状与穴位的交互，在统一空间中捕捉语义特征与关系模式，从而缓解了数据的稀疏性。通过标签感知融合利用神经协同过滤，以迭代优化预测的置信度，同时采用Focal Loss和随机增强策略增强了模型对抗不平衡标签分布的鲁棒性。综合实验表明，所提出的GNN-BERT-Attention模型在精确率、召回率、基于排序的指标以及鲁棒性方面均优于现有技术（SOTA）基线模型。消融实验验证了各个架构模块的有效性，超参数调优则证实了模型的稳定性。基于网页的演示系统进一步验证了其临床适用性，能够实现实时、可解释的穴位推荐。本研究有助于提升穴位预测的性能，最终造福针灸治疗的效率与精度，同时为优化处方和推进循证传统中医干预提供了理论基础。
在传统中医学（TCM）领域，针灸处方的制定依赖于复杂的配伍机制，其核心在于多症状与多穴位之间的交互，这体现了数千年的临床经验。功能性胃肠疾病（FGIDs）作为一种常见的慢性复发性身心疾病，通常表现为胃灼热、胃痛、腹泻和腹胀等症状。尽管针灸作为补充与替代疗法在FGIDs的治疗中被广泛应用且能显著改善患者生活质量，但临床上一直缺乏标准化的穴位选择方案。由于每位患者的症状各异，且每个穴位具备多重治疗功效，传统方法难以建立症状与穴位之间的明确映射关系。近年来，人工智能技术为解析针灸处方的复杂机制提供了新机遇。然而，现有的计算方法在处理针灸数据时面临多重困境：基于知识图谱和规则的方法可扩展性有限；传统机器学习难以捕捉文本描述中丰富的语义信息及穴位间的高阶交互；更为关键的是，现有数据驱动方法未能充分兼顾复杂的穴位配伍规则与中医核心理论，导致传统原则与现代算法之间出现脱节。针对临床数据稀疏以及症状-穴位关系建模不足这一突出问题，研究人员开展了一项旨在提升智能穴位推荐性能与可解释性的研究。该研究构建了一个融合异构图结构与标签共现信息的多标签文本分类（MLTC）框架，以深度挖掘症状与穴位的关联模式。研究结论表明，所提模型在多项评价指标上均显著优于基线模型，并具备良好的临床适用性。该成果发表于《Chinese Medicine》，为优化针灸处方、提升治疗效率与精准度奠定了理论基础，有力推动了循证中医干预的发展。
在关键技术方法方面，研究人员从68部古典针灸文献中收集了1086条摘录，并基于Rome IV标准和中医内科指南筛选出566对独特的症状-穴位数据对。该数据集涵盖了154种症状和89个穴位。在模型架构上，研究采用了结合微调BERT、注意力机制和GNN的级联结构：首先利用BERT提取症状文本的上下文语义特征；随后引入注意力层动态分配权重以聚焦关键症状术语；在此基础上，构建以穴位为节点、以经典配对关系为边的图谱，通过GNN进行特征交互与融合；最后在解码阶段采用基于标签共现概率矩阵的融合机制独立计算各穴位的激活概率。为克服长尾标签分布的不平衡问题，模型结合了Focal Loss与二元交叉熵（BCE）损失函数，并引入随机词元删除的数据增强策略以提升模型鲁棒性。
在模型性能比较方面，研究通过在不同K值（K=1,3,5）下的精确率（P@K）、平均精确率（avg-P@K）和归一化折损累积增益（nDCG@K）评估模型表现。实验结果表明，深度学习模型整体排名性能优于TF-IDF-SVM等传统机器学习方法。所提出的GNN-BERT-Attention模型在各项指标中均保持稳定且优异的表现，特别是在avg-P@3和avg-P@5上表现出色，这证明了其在捕捉核心穴位与辅助穴位组合方面的强大能力。在ROC曲线与分类准确性方面，受试者工作特征（ROC）曲线显示模型平均AUC值从第1轮的约0.77稳步提升至第20轮的约0.90，表明模型具备良好的判别能力。综合Micro F1和Sample F1等指标，GNN-BERT-Attention模型取得了最优的整体表现，其标签平均准确率达到0.960，精确率达到0.799，证实了其在多标签分类任务下区分主次症状与穴位关系的能力。
在消融实验与KL散度分析方面，消融研究证实了各模块的不可或缺性。将GNN模块替换为多层感知机（MLP）或长短期记忆网络（LSTM）后，模型各项指标均出现显著下降，验证了图拓扑结构在捕捉穴空间结构依赖性中的核心作用。移除Focal Loss或数据增强策略同样导致性能大幅退化。此外，Kullback-Leibler散度（KL-Divergence）分析显示，该模型的交叉熵与KL散度值均处于较低水平，表明其预测的标签分布更贴近真实分布，具备良好的预测校准度。
在模型部署方面，研究人员基于Flask框架将训练好的PyTorch模型封装为在线服务。该系统能够接收用户输入的症状文本，利用BERT进行文本编码，并结合注意力提取和GNN关系建模，最终输出实时且具备可解释性的穴位推荐结果，验证了模型作为临床智能辅助工具的实际应用潜力。
在讨论部分，研究人员指出该研究的贡献并非提出了全新的深度学习算法，而是系统地整合并适配了这些技术以解决穴位配伍预测的特定任务。研究通过构建异构图将传统中医理论中的“主穴+辅穴”配伍原则转化为可计算的结构特征，有效实现了从非结构化文本到结构化知识网络的转变。尽管模型在高频穴位推荐上表现优异且具备一定可解释性，但仍存在局限性。例如数据规模较小且缺乏多中心外部验证，限制了模型的泛化能力；同时，图结构尚未完全涵盖经络流注和五行相生相克等动态中医理论关系，导致模型在特定症状下的召回率仍有提升空间。
研究结论部分翻译如下：研究人员提出了一种用于功能性胃肠疾病针灸多标签穴位预测的GNN-BERT-Attention框架。通过结合语义理解、关系推理和先验临床知识，该模型实现了优越的性能，并通过部署的网页系统提供可解释的、实时的推荐。这项工作推进了针灸处方的数据驱动现代化进程，支持临床决策，并为个性化、循证的传统中医干预奠定了基础。
