本课题组以中医心系问诊量表的研制为切入点，进行了问诊规范化的研究。我们运用问卷法，通过文献梳理、专家讨论，初步确定了心系问诊的条目池，在此基础上，借助多元统计学方法进行症状的筛选，并对量表进行信度、效度等检验，从而研制了中医心系问诊采集量表[23].在量表制作完善的基础上，结合现代计算机技术，研制了心系问诊信息采集系统[24],实现了中医心系问诊信息的规范化和数字化。为了探讨心血管疾病的中医问诊分类特征，为中医证候诊断标准的建立提供客观依据，我们尝试运用数据挖掘、模式识别等方法建立中医问诊模型。我们运用中医心系问诊量表和采集系统采集了3021例心系疾病患者的信息，其中冠心病有1521例[21],建立了中医心系问诊的隐结构模型[25],该模型无论定性层面或定量层面都与心系辨证理论基本吻合。基于问诊信息应用支持向量机(径向基函数与多项式函数2种算法)和人工神经网络(ACON与OCON2种结构的网络)建立3000例心血管疾病常见证型心气虚、心阳虚、心阴虚、痰浊、气滞以及血瘀证的证候模型，研究发现，基于OCON结构的神经网络建立的证候模型，其识别准确率最高，均在60%以上，其中心气虚和心阳虚证分别高达92.4%、82.9%[26].在前期研究的基础上，我们对机器学习领域的多标记学习进行了研究，提出了基于标记相关特征的多标记学习算法(revelantfeatureforeachlabel,REAL),建立中医证候模型[27-28],基于REAL对695例冠心病常见证型心气虚、心阳虚证、心阴虚证、痰浊证、血瘀证和心肾不交证进行分析，建立了冠心病中医证候模型，对于上述证型的识别率分别为73.5%、89.5%、79.1%、63.8%、85.2%、81.8%.REAL模型能很好地处理兼证，充分关注了证型和症状的关系，适合于中医辨证模型的建立。

　　6、冠心病四诊信息融合的研究

　　中医“望、闻、问、切”四诊信息是辨证论治的基础，通过四诊合参，达到审查病因、阐述病机、确定治疗原则以及判断预后等目的。然而传统中医诊法缺乏客观评价标准，导致中医辨证的精确性和可重复性较差，因此，实现中医四诊信息的客观化、辨证规范化是中医发展的迫切需要。早在20世纪70年代，已有学者在中医领域引入计算机信息处理技术，开展了中医专家系统的研究[29].

　　早期的中医专家系统都是基于规则的推理[30],其缺点是自主“学习”能力和“适应”能力较差，知识自动更新困难。21世纪初，随着计算机技术的发展，数据挖掘、人工智能等技术引入到中医辨证推理的研究领域，如基于人工神经网络技术、决策树方法建立中医辨证系统[31-32].由于受限于当时四诊信息标准化采集手段及其信息化技术水平，参与辨证的客观化指标量化不足如望诊、声诊等信息尚未客观量化，影响了最终的辨证结果。近几年，中医四诊信息客观采集和分析系统的研究日益完善，为开展问诊、舌面、脉、声诊等四诊客观信息的融合研究奠定了基础，四诊信息融合研究成为中医诊断客观化研究的必然发展趋势。

　　20年来本课题组合作开展了中医脉诊、问诊、望诊和声诊等检测系统的研究，研制出中医四个诊法的采集与分析系统，其能够提供的客观化指标基本覆盖了四诊的信息，解决了参与辨证的客观化指标量化不足的缺陷。在此基础上，我们研发了集成的中医四诊检测系统，并对“四诊合参”信息融合研究做了许多创新性的尝试。应用中医四诊检测系统获取患者的舌诊、面诊、脉诊、问诊、声诊等四诊综合信息，基于四诊信息分别应用支持向量机和人工神经网络建立了506例心系疾病常见心气虚、心阳虚证、心阴虚证、痰浊证、血瘀证和气滞证的证候模型并进行预测，基于人工神经网建立证候模型中，气滞证模型的识别最高(87.07%),基于支持向量机建立的证候模型中，心阳虚证模型的识别率最高(81.70%)[28,33].为了验证“四诊合参”的优势，分别基于问诊、基于问诊+望诊、基于问诊+望诊+脉诊、基于问诊+望诊+脉诊+声诊4个数据集建立辨证模型并对其进行比较。考虑临床多兼证，采用REAL算法进行辨证模型的建模。基于REAL算法，建立了693例冠心病四诊信息融合的辨证模型，该模型通过互信息最大化来挑选与证型最相关的特征子集，从而建立心气虚证、心阳虚证、心阴虚证、痰浊证、血瘀证和心肾不交证的识别模型。当建模的数据集采用问诊信息时，上述证型的平均识别率为84.9%,当建模的数据集采用问诊+望诊信息时，上述证型的平均识别率为85%,当建模的数据集采用问诊+望诊+脉诊信息时，上述证型的平均识别率为85.1%,当建模的数据集采用问诊+望诊+脉诊+声诊信息时，上述证型的平均识别率为85.8%.由此可见，当四诊信息收集全面时，模型的识别率最高。