面向针灸方剂生成的经络拓扑感知图语言对齐

《Neurocomputing》：Meridian topology-aware graph-language alignment for acupuncture prescription generation

　　

摘要
针灸处方生成不仅仅是一个文本生成问题。临床上合理的处方必须将病例描述与符合经络走向、归属、配穴以及交叉经络关系的穴位组合联系起来。然而，大多数大语言模型将此类知识序列化为文本，使得难以保留赋予针灸处方其领域逻辑的结构。本文提出了 TopoAcu，一种经络拓扑感知的图语言模型，用于结构感知的针灸处方生成。TopoAcu 将穴位实体语义与经络关系拓扑对齐分离开来。训练时的经络图提供了一个固定的结构参考空间，通过节点级穴位对齐和处方级结构相似性约束将其转移到语言模型中。分阶段课程在指令微调后引入这些约束，以稳定图语言融合。在保留的标准化病例集中，与指令微调、基于文本的知识增强和图控制基线相比，TopoAcu 提高了处方匹配度、经络级结构一致性、潜在结构组织和专家评分的合理性。这些结果支持拓扑感知的图语言对齐作为在知识密集型决策支持任务中保留领域结构的实用策略。

引言
知识密集型专家系统通常依赖于无法仅简化为文本关联的领域结构。针灸处方生成是一个代表性案例。生成的处方应响应病例描述，但还应遵循穴位和经络之间的结构化关系，包括经络归属、路由顺序、表里配穴和交叉经络相互作用。在本文中，针灸被用作研究结构感知知识工程的领域场景，而不是验证疗效的环境。

不断积累的临床证据和日益增长的国际认可突显了该问题的实际相关性。一项涵盖数万名患者的个体患者数据 meta 分析证实，针灸对多种人群的慢性疼痛有效 [1]，世界卫生组织已逐步将传统、补充和整合医学纳入其全球健康战略 [2]。这些发展使得自动化、保留结构的处方生成成为知识密集型临床决策支持的一个及时的研究问题。

中医为这一问题提供了丰富的背景，因为其推理过程结合了文本症状和理论驱动的知识结构。特别是针灸基于经络理论、阴阳和五行 [3]。从业者通常根据经络和穴位之间的关系选择和组合穴位，遵循诸如“循经取穴”和“表里经配穴”等原则 [4], [5]。这些规则使得针灸处方生成成为评估语言模型是否能受到显式拓扑知识引导的合适测试平台。针灸的国际传播进一步推动了标准化命名工作——从早期世界卫生组织统一针灸术语以跨越语言障碍的倡议 [6]，到跨文化穴位命名的系统分析 [7]，以及前文提到的世卫组织全球战略——提供了共同词汇，使得跨地区和传统的拓扑知识建模成为可能。

然而，现有的面向中医和垂直医疗的大语言模型，如华佗 GPT 和 AcuGPT，仍然主要通过序列化文本建模来处理针灸知识 [8], [9]。这些模型可以学习症状和穴位之间的统计关联，但它们并不明确保留经络和穴位之间的拓扑关系。因此，当处理复杂结构模式时，例如多经络交叉和表里归属，它们生成的处方可能缺乏足够的结构一致性。更广泛地说，将结构化知识图谱与大语言模型集成仍然是一个公开的挑战：最近关于统一 LLM 和知识图谱的路线图强调了在保持语言生成质量的同时保持结构保真度的难度 [10]，这种张力在针灸等领域尤为严峻，因为处方逻辑本质上是图结构的。

为了更好地表示这种结构化领域知识，需要将经络图关系纳入模型表示中。然而，这个过程在训练和评估中都面临挑战。在训练期间，直接引入外部知识图谱可能会扰乱语言模型的原始表示分布，并为生成性能引入不确定性 [11]。在评估期间，传统的文本重叠指标（如 ROUGE 和 BLEU）不足以衡量结构一致性，也不能有效地根据经络关系建模区分模型 [12], [13], [14]。

这些观察激发了五个知识工程问题。它们涉及显式经络拓扑是否能提高生成处方的结构一致性，基于图的约束是否可以在不降低语言生成质量的情况下引入，表示对齐和结构相似性约束是否能使大语言模型（LLM）的潜在空间更好地反映领域拓扑，多阶段课程学习是否比直接的图语言融合更稳定，以及多维评估协议是否比仅文本重叠指标能更好地刻画结构感知生成。该方法背后的一个关键洞察是穴位实体语义和经络关系拓扑可以分开学习：表示蒸馏 [15] 提供了一种无需联合训练即可转移结构先验的机制，且解耦对齐通常比端到端融合更稳定。

具体来说，必须解决三个困难。首先，直接注入外部图可能会扰乱语言模型的原始表示分布；这通过冻结图编码器并在稳定的指令微调后仅引入拓扑约束来缓解。其次，传统的文本重叠指标无法评估结构一致性；为此构建了一个基于图和潜在空间指标的多维评估协议，并将其与训练资源隔离。第三，朴素的图语言融合是不稳定的；采用了一种多阶段课程，逐步增加拓扑约束权重。

为了解决这些问题，本研究从超过 20,000 条编译针灸病例记录中构建了一个训练数据集，并构建了一个训练图 来表示穴位连接和经络关系。随后提出了 TopoAcu，一种用于针灸处方生成的拓扑感知图语言模型。其核心思想是将穴位实体语义学习与经络关系拓扑对齐解耦。基础语言模型学习领域语言和处方表达，而图编码器和拓扑感知损失则根据经络结构组织穴位表示。多阶段训练策略进一步促进了拓扑知识与语言模型表示的渐进融合。为了评估生成质量和结构一致性，基于 500 个标注样本构建了一个多维评估框架，涵盖文本生成质量、处方匹配、专家评分合理性和潜在表示特征。

本文的主要贡献总结如下：
(1) 构建并标准化了一个经络拓扑先验作为结构化知识库，显式编码穴位连接、经络归属、表里配穴和交叉经络关系。
(2) 提出了一种双层拓扑感知对齐机制，通过结合节点级穴位表示对齐与处方级结构相似性约束，将穴位实体语义学习与经络关系拓扑对齐解耦。
(3) 设计了一种多阶段课程学习策略，逐步从纯指令微调转向拓扑约束优化，从而缓解直接图语言融合引起的不稳定性。
(4) 构建了一个多维评估协议和受控图基线，用于评估处方匹配、经络结构一致性、潜在表示组织和专家评分合理性。

本文其余部分组织如下：第 2 节回顾了有关中医大语言模型、知识注入方法和潜在表示分析的相关工作；第 3 节介绍了 TopoAcu 的整体架构、经络图构建、知识注入机制和损失函数设计；第 4 节介绍了实验设置、评估指标、对比实验和消融研究；第 5 节总结全文并讨论局限性和未来工作。

章节片段
中医大语言模型
近年来，随着自然语言处理（NLP）和深度学习的快速发展，大语言模型（LLMs）在医疗领域引起了越来越多的关注 [16], [17], [18]。GPT-4 和 Med-PaLM 等代表性模型已展现出在医疗问答和医疗决策支持方面的强大能力 [19], [20], [21]。然而，中医理论体系高度抽象，涉及“阴阳五行”等复杂概念

方法
TopoAcu 的核心思想是将穴位实体语义学习与经络关系拓扑对齐解耦。基础语言模型处理处方生成，而冻结的训练图参考空间、标记 - 节点对齐和批处理级拓扑匹配强制结构一致性。TopoAcu 的架构如图 1 所示。TopoAcu 通过两种核心设计将经络拓扑知识集成到语言建模中。第一种是构建一个

实验与结果分析
本节介绍了用于 TopoAcu 的实验设置、评估指标和基线方法。实验通过检查文本生成质量、处方匹配、基于图的结构一致性、专家评估和潜在表示特征，将模型评估为一种结构感知的知识工程方法。

结论
本文介绍了 TopoAcu，一种将穴位实体语义与经络关系拓扑对齐分离的经络拓扑感知图语言模型。一个冻结的训练图提供结构参考，而节点级蒸馏和处方级相似性约束通过分阶段课程对齐语言模型表示。TopoAcu 提高了处方匹配、基于图的结构一致性、潜在组织和专家评分合理性。

CRediT 作者贡献声明
张文强：写作 – 审阅与编辑，方法论。
崔金鹏：写作 – 原稿，方法论。
张妙琪：监督，数据整理。
赵蒙：可视化，资金获取。
穆亚爽：项目管理，形式分析。
李鹏：写作 – 审阅与编辑，资金获取。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能影响本文所报告的工作。

致谢
本研究工作得到国家自然科学基金（62006071）、河南省自然科学基金（262300421787）、河南省科技攻关项目（262102210022）以及开封市卫生健康委员会 - 河南工业大学复杂性科学研究所联合基金（KFCSLHJJ-2024-22）的支持。

张文强 河南工业大学人工智能与大数据学院，中国郑州
张文强目前是河南工业大学人工智能与大数据学院的教授。他的研究兴趣包括人工智能、图语言对齐、知识工程和大语言模型。

张文强 | 崔金鹏 | 张妙琪 | 赵蒙 | 穆亚爽 | 李鹏
河南工业大学人工智能与大数据学院，中国河南郑州 450001