基于反绎学习的可解释性中医处方推荐闭环优化方法

摘要

传统中医处方推荐中的“黑箱”模型的可解释性不足问题，限制了其在临床中的可信度与推广应用。针对此问题，提出基于反绎学习的可解释推荐方法，通过深度学习与符号化逻辑推理协同融合，实现推荐过程的透明化建模。该方法构建了融合深度可分离卷积、多头注意力机制与长短期记忆网络模块，对症状文本进行多尺度特征提取与时序依赖建模，生成初步处方概率分布；同时设计反绎学习模块，依托中医理论规则与历史数据关联规则，基于最大一致性原理进行逻辑校验与修正，并将修正结果反馈至神经网络，形成闭环优化。实验结果表明，该方法在多个关键指标上显著优于主流基线模型，其推荐逻辑与传统中医辨证用药原则一致，从而有效提升了模型的可解释性与临床适用性。

关键词

中医处方推荐 / 深度可分离卷积 / 多头注意力 / 反绎学习 / 可解释性

基金资助

国家自然科学基金资助项目（72174079）; 江苏省社会科学基金项目（24YYC002）; 日本学术振兴会基础研究B类（20H04284）