中医学的基本特征大全11篇

中医学的基本特征篇（1）

中图分类号:TP311文献标识码:A 文章编号:1009-3044(2009)33-9515-03

The Design of Medical Image Classification Based on Ensemble Leaning

LIN Xiao-jia

(Faculty of Logistic and Information Management, Fujian Ineternational Business and Economics College,Fujzhou 350006,China)

Abstract: The paper proposes a medical image classification based on ensemble leaning.The system we proposing consists of a pre-processing phase, a feature extraction phase and a building the classifier phase. On the basis research of single feature, one new method is proposed one kind of medicine image classification new method that synthesized the multi-characteristic merge and the data mining technology. This method is through the introduction of data mining in the concept of Ensemble Learning,utilizing the Ensemble learning method to classify to the single characteristic the weak sorter to carry on the iterative training.

Key words: ensemble learning;the characteristic extraction;adaboost M1;medical image classification

随着计算机医学成像技术的发展,医学影像越来越多样化,医学影像的应用也越来越广泛,与此同时大量的医学设备的应用使得医学影像的数量也越来越多,大量的影像资料使医院迷失在信息的海洋。利用数据挖掘技术可以有效的对医学图像进行组织和管理,合理有效的对其进行分类,从而使其更好的辅助日常的医学诊断和医学研究。

该文提出的方法是使用SVM分类器将整个特征空间分成诸多子空间;采用集成学习方法Adaboost方法对样本进行多次抽样,将Adaboost算法中的分类精度作为特征选择的依据,选取出少量有利于分类的特征,同时将单特征训练得到的弱分类器通过集成学习增强为强分类器。

1 系统的构成

整个系统的构成如图1所示。

该系统主要包括训练和分类两个阶段。在医学图像训练阶段,通过数据库建立训练集,对医学图像进行预处理,提取图像颜色和纹理特征,创建训练的弱分类器。对图像特征进行选择。分类阶段进行的是待分类图像的选择特征的提取,利用训练得到的强分类器进行分类,输出分类结果。

2 图像预处理

由于实际的医学图像数据因为操作的原因,存在不完整性、噪声和不一致性性,不能直接在原始数据上进行数据提取,因此必须对医学图像进行预处理。数据清洗和数据的变换[1-2]都是经常用于图像数据预处理技术上的。

图像预处理的第一步就是图像去噪。大部分的医学图像一般包含了大量有噪声的背景:有的医学图像太暗,有的医学图案太亮,还有来自影像设备中电子元器件的随即扰动。通过去噪处理后,可以去掉图像中的大多数的背景信息和噪声,增强图像的特征,提高图像的信噪比。针对医学图像来说,图像本身有边缘模糊的特性,通过去噪对医学图像进行复原,使之与原图像逼近是存在比较大的困难的。因此本系统主要采取的去噪方法为滤波技术,该技术可以在最大限度保持信号不受损失的基础上,尽可能过滤噪声,提高图像的可读性,将医学图像中感兴趣的特征(图像的轮廓和边缘等重要信息)有选择的突出。

图像预处理的第二步是图像归一化,基于图像特征分类主要是对图像特征进行匹配和区分的过程,但是通常情况下待检图像的图库中,图像的大小尺寸并不完全相同,用户所提供的分类例图大小也不完全一样的。在提取图像特征(特别是空间分布特征)时,就有可能存在本身同类的图像所计算出来的特征差别却很大,而不属于同一类的图像由于尺度不同却计算出了相似的特征,进而影响到分类的结果。为了防止这类情况的发生,本分类系统必须首先对图像的尺度进行归一化,即通过对图像的缩放使得图像具有同一尺度256×256,在同一尺度上提取图像特征,从而消除尺度影响,又能够保证图像的整体灰度不变性。通过对大尺度的图像进行尺度归一化之后,按比例进行了缩小,降低了图像特征提取时的计算量,提高了分类速度。

3 基于集成学习方法的特征选择和分类

3.1 集成学习方法

集成学习(Ensemble Learning)是一种新的用来组合的学习器的方法。其主要思想[3]是:通过某种组合方法把一些学习器组合起来,使得集成后的学习器能够表现出比单个学习器更好的性能。狭义的说,集成学习是指利用多个同质的学习器对同一个问题进行学习,这里的“同质”是指所使用的学习器属于同一种类型,例如所有的学习器都是决策树、都是神经网络等等。广义的来说,只要是使用多个学习器来解决问题,就是集成学习[4]。

集成学习从萌芽阶段发展到现在,很多研究者提出了不同的算法。其中研究最深入,最具影响力,应用最广泛的就要算Boosting算法了。在众多Boosting算法中,AdaBoost是Boosting家族中的基础算法,也是Boosting家族最具代表性的算法,之后出现的Boosting家族中的扩展算法都是在AdaBoost算法的基础上发展而来的,对AdaBoost的分析也适用于其它的Boosting方法。因此下面我们以AdaBoost M1算法为例,进行描述。

AdaBoost M1算法用于解决多类单标签问题。每个待分类样本只能属于多个类别中的单个类。AdaBoost M1的基本思想是:首先给定任意一个弱学习算法和训练集(x1,y1),(x2,y2),…,(xm,ym),yi在分类问题中是一个带类别标志的集合,yi∈Y={1,…,K}。初始化的时候,对每个训练例赋予的权重都相同为1/m。接着,调用弱学习算法对训练集进行T次的迭代训练,每次训练后,按照训练结果更新训练集上的分布,对于训练失败的训练示例赋予教大的权重,也就是在下一次迭代训练的时候,更加关注集中对这些失败的训练例进行训练。通过这样的T次迭代训练,得到一个预测函数序列h1,h2,…,ht,其中ht也有一个权重,预测效果好的预测函数的权重较大,预测效果差的预测函数的权重较小。经过T次迭带后的最终预测函数H采用有权重的投票方式产生。

3.2 特征选择和分类

本系统利用训练样本的分类属性,采用Adaboost M1算法同时,对算法进行改进,使算法同时具有进行特征分类性能的评价(特征选择)和SVM分类器的增强的功能:对样本进行多次抽样,将分类精度作为特征对分类性能的判定依据,进行有效特征选择,选取出少量对分类作用较大的特征,同时将单特征训练得到的弱分类器增强为强分类器,使分类器具有较好的分类精度和泛化能力。具体算法思想如下:

1) 在Adaboost M1算法每次迭带训练时候,赋予每个训练例的分配权重 Dt(i)(t表示迭代次数,i表示训练例标号),同时也表明它被分类器选入新训练子集的概率。如果某个样本已经被准确的分类,那么在构造下一个训练集中,它所占的比重概率就会被降低;反之,如果某个样本没有被正确分类,那么它所占的比重就会得到提高。通过这样的方式,Adaboost M1算法就能更加重视那些较困难、更富信息的样本上。

2) 针对Adaboost M1这个特点,我们在选入的训练集上,选择SVM作为弱学习机,针对每个特征维向量进行训练,产生弱分类器,并且计算分类精度,用来衡量该弱分类器对分类的作用程度,精度大的弱分类器表明该特征维向量的分类性能较好,有利于作为有效的分类特征,被选入作为分类特征,经过多次迭代可以得到大部分对分类作用较高的特征,最终增强得到一个强分类器。

改进的Adaboost M1进行特征选择以及SVM分类器增强的算法步骤如下:

输入:训练集 (x1,y1),(x2,y2), …,(xm,ym) ,其中标签yi ∈Y={1, …,k}

特征维向量集{S}

弱学习算法SVM

迭带训练的次数T

初始化:对于i=1,2,…,D1(i)=1/m, Do For t=1,2,…,T //其中T为迭代训练的次数,m为训练样本数。

步骤1 弱分类器学习

根据选择权重Dt(i)进行采样,获得第t次迭代样本集,选取特征子集,学习重采样后的样本集得到弱分类器集合Hrt ,其中Srt是特征子集集合,表示第t次迭代的每个特征维度;Srt是弱分类器集合,是根据Hrt单特征训练出的弱分类规则,r表示特征维度标签号,t表示迭代次数。

步骤2 计算分类精度,选择特征

计算弱分类器在样本集上的误差 在此作为特征子集Srt 有效性的判据,误差越小则此特征子集作用越大,选取误差最小(εt=min{εrt})的对应的分类器为Ht与有效特征向量Srt计算本次迭代得到的分类器贡献权值βt=εt/(1-εt)。

步骤3 更新权重

其中,βt为每次迭代的分类器贡献权值,值由βt=εt/(1-εt)来确定;Dt(i)为每个训练例的分配权重,Zt为标准化常量。

输出:有效特征子集Sr

增强分类器

通过改进的Adaboost M1算法可以得到所选择的特征子集Sr以及增强的分类器Hx。

分类时,只要将待分类医学图像根据有效特征子集Sr进行特征提取,输入增强的分类器集 Hx中,就可得到分类的结果。

4 实验结果及结论

本实验所采用的是医学图像中的CT、MRI和DDR图像,根据医学图像的功能和用途,我们将这些医学图像分为头部(包括中枢神经和头颈五官)、胸部(包括呼吸系统、循环系统)、腹部(包括消化系统)、骨盆(包括泌尿系统)和其他等五大类标签,每类标签60幅(由于CT应用比较广泛,所以选用CT图像40幅,MRI和DDR各20幅),共计300幅图像构成图像库。在测试集和训练集的选择上,采用10折交叉验证的方法。通过训练集最终选取了36维特征向量中的分类性能较高的12维(详细如表1所示)。

分类性能采用敏感度(sensitivity)、特异度(specificity)以及分类精度(precision)三个指标率来衡量:敏感度也称真正识别率,即正确识别该类元组的百分比;特异度是真负率,即正确拒绝不属于该类元组的百分比;而精度就来标记实际属于该类的元组在已分配到该类的元组总数的百分比,表2是本实验的分类结果。

从表2中可以看出,本实验医学图像分类器算法的敏感度、特异性和分类精度都较高,分类识别率和精度平均在83%左右。

分类系统的速度主要取决于特征的提取以及进行分类的运算量。如果将所有特征都运用于分类的话,由于有些特征向量维度对分类贡献不高,对分类效率没有明显的提高,并且也大大增加了特征提取阶段的时间负担。在本系统中仅仅选择了不到1/3的特征,去除了部分对分类效率贡献不高的特征,因此在特征提取阶段速度大大提高了,而且在分类阶段也因为只在有效特征中进行提取分类,速度也有较大提高,表3列出了在 Inter Core Duo processor T2450 2.0GHz、1G DDR内存、VC++6.0环境下本分类系统与其他分类平均分类精度的比较。

本方法比最常见的综合特征分类法在特征提取分类阶段速度上有所提高,但是比起单个特征提取,速度还是比较慢的。但是从表3正确率相比,准确率还是蛮高的,相对的牺牲时间还是值得的。

参考文献:

[1] Maria-Luiza Antonie,Osmar R.Z aiane and Alexandru Coman,Application of Data Mining Techniques for Medical Image[C],Proceedings of the second international workshop on Multimedia Data Mining(MDM/KDD’2001),in conjunction with ACM SIGKDD conference.

[2] Osmar R.Z aiane,Maria-Luiza Antonie and Alexandru Coman,Mammography Classification by Association Rule-based Clasifier[C], MDM/KDD2002:International Workshop on Multimedia Data Mining(with ACM SIGKDD 2002).

[3] Zhou Z-H,Wu J-X,Tang W,Chen bining regression estimators:GA-based selective neural network ensemble.International Joural of Computational Intelligence and Applications,2001,1(4):341-356.

[4] Zhou Z-H,Wu J-X,Tang W.Ensembling neural networks:many could be better than all.Artificial Intelligence,2002,137(1-2):239-263

中医学的基本特征篇（2）

中医教育的根本目的是为社会提供优质的中医药卫生专业人才。近年来，随着高校不断扩招，中医学高等教育的迅速发展，教育改革和医疗体制改革的不断深入，对中医人才素质的要求越来越高，中医教育面临着更多的问题与挑战。作为中医院校主要的培养对象，长学制中医学生应具备什么样的素质？成绩优秀的学生与成绩一般的学生之间的素质差异表现在哪些方面？不同年级学生所具备的素质差异如何？这些不仅成为学生制定自我发展及学习计划的基准，也是高校教育工作者培养和指导学生需要考虑的问题。

人力资源管理对处于某一工作岗位或完成某项任务的人进行能力或素质方面的研究，多采用“胜任特征研究”。胜任特征能够从本质上反应出人才的核心能力及潜在特质，对于人才培养、测评和选拔有至关重要的指导作用。因此，对于长学制中医学生综合素质与能力的培养与评估，尝试引入胜任特征的概念与测评工具，是对现有长学制中医学生培养与评价体系的有益补充。

1.胜任特征的概念与发展

20世纪初，科学管理之父泰勒对科学管理的研究，后来被称为“管理胜任特征运动” [1]。他应用“时间――动作分析”的研究方法，界定哪些因素导致了优秀工人高质量、高效率的工作过程和结果。

1.1 胜任特征的概念

基于对美国新闻署（USIA）官员的调查研究，David•McClelland 在1973 年发表的《Testing for competence rather than for intelligence》一文中将胜任特征定义为绩优者所具备的知识、技能、能力和特质[2]。Spencer夫妇在1993 年提出，胜任特征指能将某一工作（或组织、文化） 中有卓越成就者与表现平平者区分开来的个人的潜在特征, 它可以是动机、特质、自我形象、态度或价值观、某领域知识、认知或行为技能――任何可以被可靠测量或计数的并能显著区分优秀与一般绩效的个体特征[3]。胜任特征自上而下包括以下几个层面：① 知识：岗位任职者所需掌握的基本知识、专业知识以及相关信息；② 技能：完成特定任务的能力；③社会角色：个体对社会规范的认知和理解；④ 自我认知：个体如何看待与认识自己；⑤个性特质：个人所具有的生理、认识与心理特点；⑥ 动机：人们内心深处反复出现的一种牵挂，它驱动、指导并选择行为。

1.2胜任特征模型的概念

胜任特征模型是指采用科学的研究方法最终确立起来的与绩效高度相关的胜任特征结构模式[4]，它是做好某一特定任务角色需要具备的胜任力要素的总和。McCleIland于1973年提出了冰山模型，把一个人的特质比喻成浮在水面上的冰山，人们通常所看到的特质，是整个冰山浮于水面上的部分，包括知识和技能；而对个人职业生涯、工作绩效起决定性作用的深层次胜任特征，是潜伏于水下的部分，较难一眼观察到，即社会角色、自我概念、自身特质和动机。

1.3胜任特征在医学领域的主要研究成果

加拿大皇家医师协会在90年代初期即制定了相关的胜任特征框架，用于评价医生的关键知识和技能，描述了医生提供好的医疗服务应扮演的7大角色，即医学专家、 交流者、协作者、管理者、健康支持者、学者和专业主义者 [5]。Patterson等人于2000年通过3个独立试验对全科医生的胜任特征模型进行三个不同角度的分析研究，发现除专业知识和技能外，还包括替代体验及敏感性、沟通能力、概念式思维和问题解决能力、个性特征[6]。Ronald M. Epstein＆Edward M. Hundert认为胜任特征建立在基本临床技能、科学知识及道德发展之上，包括认知功能、整合能力、人际关系能力、情感/道德要求、临床技能、习惯性思维、背景分析七个维度[7]。董海瑛等人通过研究医学生对各胜任特征要素的态度评价，利用因子分析及层次分析法建立了包括职业发展能力、人际关系能力、个人特质、医学专业知识和技能、辅助知识及成就导向和行动六个群的医学毕业生胜任特征模型[8]。

2．长学制中医学生胜任特征研究对中医教育的启示作用

长学制本硕连读培养模式是中医院校的重要教育模式之一。因为学制长、专业课程学习难度大、专业性强，中医学长学制学生早期树立专业取向与信念、培养专业学习胜任素质尤为重要。长学制中医学生胜任特征的研究成果可以应用到中医学生的培养、考核与评价体系中，其对于中医教育领域的意义主要体现在以下几个方面：

2.1明确培养目标，促进教育机构制度化建设

长学制中医学生胜任特征的研究为教育机构设定人才培养目标建立理论基础。以往的中医学专业培养目标侧重于知识与技能方面的要求，而对于影响中医学生专业技能掌握及发展的综合素质要求较宽泛。从中医应用型人才培养的角度，明确人才素质需求、细化培养目标、创新培养方案，成为教育机构应逐步加以完善的重要方面。

长学制中医学生胜任特征的研究是对中医教育标准的完善和补充，促进了教育机构自我反馈与修正的制度化建设。同时，也为教育机构职能发展由原先单纯的知识传授提出培养社会型、职业化、高素质中医人才的更高要求。

2.2更新教育理念，促进教学改革，完善课程体系建设，推进教学法研究

长学制中医学生胜任特征研究为中医教育者提供了一个全新的教育价值理念。中医院校可以通过建设校园环境、完善规章制度和树立良好教风学风以及带教老师的言传身教，对中医学生施加责任心、事业心、同理心、成就导向等方面的深刻影响，使学生的个人特质在潜移默化中得到培养和提高，更好的达成中医教育的目标期望，培养出更多优秀的医学人才。

同时，也应加强培养方式改革与课程体系建设。尽管目前的中医教育教学改革已经逐渐在消除以往单纯强调知识传授的弊端，越来越重视中医学生临床实践能力的培养和提高，但对于中医学生个人特质和人际关系能力等方面的培养仍然重视程度不够，没有体现在课程设置和课堂教学中。在现有的专业主干课程教学中，借鉴胜任特征的研究成果，对教学内容与教学方法进行改进；或者对现有课程难以培养的其他潜在胜任要素，开发新的课程，以完善课程体系建设；同时加强教学法研究，为突破现有教学瓶颈起到积极的促进作用。可以利用数字图书馆及临床教学基地的优势，培养学生自主学习能力，早临床、多临床，树立扎实的专业思想。

2.3创新方法，完善考核评价模式

在考核评价模式的研究中，米勒金字塔是一个非常好的用于分析评估的理论框架。米勒设计了包括4个水平的金字塔模型，用于评价医学教育的结果，同时我们也可以将其视为评价长学制中医学生胜任特征的理论模型。这4个水平分别为知识（knowledge）、能力（competence）、表现（performance）和行为（action）。目前对于长学制中医学生的考核评价模式主要包括课程考核、理念综合考核、临床技能考核几个部分。这些考核都分布在米勒金字塔的最底层，即知识、能力维度。对于高层的表现和行为，包括自我管理、学习方法的掌握、学习主动性、在实际医疗环境（病房或急诊室）中的表现等等，在现有的考核评价体系中则没有涉及。因此，中医学生胜任特征的研究，为中医学生的考核与评价提出了新的要求与标准。一方面，考核方法需要更新；另一方面，考核内容需要完善。

2.4完善学生自我评价体系，促进职业生涯规划与发展

长学制中医学胜任特征的研究为建立一个较为全面系统的中医学生综合能力考核体系提供依据，为医学教育质量评价、教学效果评价和中医人才选拔提供新的评价方法和评价思路，培养学生自我反思与自我修正的习惯，为处于不同阶段的中医学生建立胜任特征标准参考，帮助学生为自己设定更高水平的学习目标，促进职业生涯规划与发展。

中医学专业学生应认识到胜任特征的两个层次中，冰山水下部分的潜在特征对于个人职业发展的重要影响。在学习中重视知识技能提高的同时，更要注意提高个人修养、追求成功的愿望和不断超越自我的品质，逐步塑造人格要素中对于成功起着关键作用的心理特征。

3.小结

中医教育应该重视不同胜任特征的培养，明确哪些胜任特征是优秀中医师所必需的，根据这些需要决定教什么和如何教、测什么及如何测。中医教育不是简单的培训，不能只强调传授知识，为适应医疗保健基础科学不断发展和变化的特点，应将重点转移到如何处理知识上来，应进一步更新与明确教育目标，并使考核与教育目标、教学内容相一致。

参考文献：

[1] Sandberg J,Under standing Human Competenc at Work：An interpretative approach[J]．

Academy of Management Journal，2000；43：9-25．

[2] McClelland，David C．Testing for Competenc rather than for intelligence[J]．American Psychologist，1973；28(1)：1-14．

[3] Spencer LM，Spencer SM Competence at work：models for superior performance．John Wiley&Sons，Ine，1993：222-226．

[4] Barry Smyth，Elizabeth McKenna．Competence models and the maintenance problem．Computational Intelligence，2001；17(2)：235-249．

中医学的基本特征篇（3）

基层医疗卫生人员是基层卫生人力资源的重要组成部分，是基层居民健康的守护人。基层医疗卫生人员不仅要有扎实而全面的临床知识和技能，还要具备一定的职业道德水平及和病人沟通交流的能力等。基层医疗卫生人员岗位胜任力模型构建研究，为基层医疗卫生人员选拔、培养等方面提供客观依据，有利于基层医疗卫生人员真正成为“会看病的好医生”。目前关于基层医疗卫生人员岗位胜任力研究成果甚少，进行相关研究对基层居民获得安全、有效、便捷的医疗服务具有重要意义。

1973年美国著名的心理学家麦克・利兰（Mc.Cleland）发表胜任力领域有奠基性意义的文章Testing for Competency rather than Intelligence，标志着现代胜任力研究的开端[1]，提出胜任力的概念是真正能区分生活成就或工作业绩方面优劣的深层次的个人条件和行为特征。二十世纪七八十年代，在欧美国家，由于医务人员低劣操作导致的医疗事故和医疗质量问题引起了公众广泛关注，更引起了胜任力在医学领域研究的逐渐展开[2]。直到2002年，临床医生的胜任力才被明确定义为：“胜任能力是在日常医疗服务中熟练精准地运用交流沟通技能、学术知识、技术手段、临床思维、情感表达、价值取向和个人体会，以求所服务的个人和群体受益。”[3]为了适应社会对健康需求格局的改变，在世界范围内，医学教学模式正在逐步由以知识结构和过程为基础的模式向以岗位胜任力为基础的方向发生演变。至今，美国、加拿大、英国都已经完成针对临床医生岗位胜任力要求制定的评价指标体系或指南，并且在不断地进行更深入的研究。2001年美国毕业后医学教育认证委员会（ACGME）在充分论证的基础上公布了基于能力的培训目标，要求在病人诊治、医学知识、人际沟通能力、职业素养、基于实践的学习与改进这些基于大系统的实践的六个核心能力上培训、考核住院医师，并且对以上六大核心能力的二级标准分别下了定义。ACGME提出的住院医师六大核心能力，成为一种重要的测评标准[4]。加拿大皇家内科及外科医师学会（RCPSC）的学者提出对专科医生进行以胜任力为基础，以结果为导向的教育是一种适应时展的先驱理念，在2005年最新的标准《2005年加拿大医生胜任力架构》（CanMEDS 2005 Physician Competency Framework）[5]，提出“更高的规格，更优秀的医生，更优质的医疗”的主题。标准主要将医生的角色分成七类：专业人士、沟通者、合作者、管理者、健康促进者、学者、医学专家。2006年英国医学总会（GMC）推出关于医生岗位胜任力评价的《良好医疗实践》（Good Medical Practice），并已于2013年完成了新一轮修订[6]。在2006年的版本中，分为医疗技术服务、医疗诊疗规范、教学与培训、医患关系处理、团队合作、要求医生遵守职业道德六个方面。在2013年的版本中修订为了四个核心领域：医学知识技术和表现、医疗安全与质量、沟通与合作、维护信任。尽管关于岗位胜任力的研究在许多国家中都曾进行或正在进行，然而学界普遍的观点认为，研究对象所处的地理环境、人文社会文化的不同，确实对岗位胜任力模型的结构及胜任特征造成影响。而正因为如此，结合国外岗位胜任力研究的参考，从我国基层医疗卫生人员自身特点出发，将岗位胜任力模型构建研究切实本土化，为基层医疗卫生人员岗位胜任力模型构建留下了可行的研究空间。

在我国，中科院心理研究所的时堪等人最先开始关注胜任特征模型的研究进展，并对一部分职业开展了基于中国文化背景的胜任特征模型构建的理论和应用研究[7]。在医药卫生领域，卫生部人才交流服务中心李文等人于2005年启动“卫生机构管理者岗位胜任力研究”的课题，将三级医院院长、疾病预防控制中心主任、社区卫生服务中心主任和乡镇卫生院院长作为研究对象，建立了卫生机构管理者的胜任特征词典库[8]，这是胜任特征在我国首次被引入卫生领域。2006年，金盛华等人编制实践分析综合问卷对初级临床医师进行大样本调查，进行了初级临床医师胜任力模型与测量框架研究[9]。2007年，王贤吉等人在介绍全科医师胜任力模型的基础上，阐述了其在全科医师的教育与培养、招聘与引进、考核与晋升等方面的应用价值[10]。2009年，王永芳等人采用行为事件访谈、问卷调查、数据分析等技术，构建了医院临床科主任胜任力模型，并对医院临床科主任胜任力与绩效关系进行了实证研究[11]。2013年，金丽娇等人通过全科医生工作分析和半结构化访谈，进行全科医生胜任力问卷调查，并运用主成分分析法提取因子，构建全科医生岗位胜任力模型[12]。2014年，黄涔等人通过对某医科大学7所教学医院的临床医师、护士、行政管理人员及患者的随机抽样调查，行为事件访谈收集的资料，得出6项临床医生岗位胜任力特征依次为临床基本能力、医师职业精神与素质、自我保护能力、团队合作能力、学术研究能力、沟通能力[13]。2014年，张冬青等人对全国7个省（直辖市）分层抽取86个农村基层卫生机构的农村医生岗位职业能力进行调查分析[14]。2014年，中国医科大学孙宝志等人以辽宁省三所三级甲等医院为例，采用核检表问卷调查法与行为事件访谈法相结合的方法，建立临床医生岗位胜任力模型[15]。

岗位胜任力是指在特定工作岗位、组织环境和文化氛围中有优异成绩者所具备的任何可以客观衡量的个人特质，指承担职务（职位）的资格与能力。基于胜任力的人力资源管理，就是对员工的胜任力资源进行管理，包括对员工的胜任力资源进行合理利用和有效开发。合理利用，就是对具有单位需要的胜任力的人才的获取（包括：发现、鉴别、获取）、配置和科学合理使用。有效开发，是指对员工的现有胜任力的发挥、潜在胜任力的有效挖掘和胜任力的发展。岗位胜任力具有如下特点：与工作岗位相关，是完成工作岗位职责所必须具备的，因而带有明显的岗位特性；是从表现优秀的员工身上所提炼出来的，具有牵引和导向性；是可以衡量和测评的；是与本岗位相关联的能力和素质的综合体现，既包含显性的又包含隐性的能力和素质。关于胜任力模型的研究，最经典的是冰山模型，将员工个人胜任力的不同表现形式划分为表面的“冰山以上部分”和深藏的“冰山以下部分”对胜任力的组成要素进行了层次性的排列。“冰山以上部分”包括技能和知识，与工作所要求的改变和发展。“冰山以下部分”包括社会角色、自我认知、人格特质和动机，是内在的、难以测量的部分，很少与工作内容直接关联。只有其主观能动性变化影响到工作时，这些要素对工作的影响才会体现出来。他们不太容易通过外接的影响而得到改变，但对人员的行为与表现起着关键作用。冰山模型为人力资源管理的实践提供了一个全新的视角和一种更有利的工具，不仅能够满足现代人力资源管理的要求，构建某种岗位的胜任素质模型，还对于担任某项工作所应具备的胜任特征进行明确的说明，而且成为进行人员素质测评的重要依据，为岗位胜任力的评价提供科学的前提。

胜任素质理论体系在以美国为代表的西方世界里已得到人们的广泛重视，其应用性也得到了实践的全面检验。虽说在国内，胜任素质理论和应用体系已越来越引起人们的广泛关注，但在卫生领域尚属新生事物，基层医疗卫生人员胜任力模型的建立，为基层医疗卫生单位在基层医疗卫生人员选拔、培养等方面提供客观依据，为基层医疗卫生单位人力资源管理与开发提供一种有效的管理方法。基层医疗卫生人员岗位胜任力模型的构建拓展了胜任力管理的领域。基层医疗卫生人员岗位胜任力模型的构建和结论对于其他非基层医疗机构有一定的借鉴价值，医疗机构管理者们可以以此为参考，构建满足本单位战略需求的胜任力模型。有利于相关医学院校教师对农村订单定向医学生进行针对性地培养，使他们更准确地培养农村医生所应该具备的各项素质，为即将进入的岗位做好充分的准备。结合基层医疗卫生人员的工作性质特点，探索基层医疗卫生人员胜任力管理的必要性和基层医疗卫生人员胜任力模型的构建方法，为医疗卫生机构管理部门和医学教育单位对于基层医疗卫生人员及农村订单定向医学生的管理、培养、选拔、指导所应侧重的能力特征提供了一定意义上的理论支持。

随着基层卫生服务逐步向预防、保健、诊断、治疗、康复、健康管理六位一体职能转变，必有更多的专家学者关注到卫生领域岗位胜任力，特别是结合基层医疗工作的特点，探索基层医疗卫生人员岗位能力要求，将岗位胜任力模型转化为评价指标体系，是未来该领域必须研究的课题。在国家深化医药卫生体制改革的大背景下，如何从国内外卫生领域岗位胜任力的理论和研究中吸取宝贵经验，使基层医疗卫生人员岗位胜任力模型构建既切实本土化，又能满足基层卫生需求，研究以岗位胜任力模型为基础的评价方法，这都是需要探索的问题。国家从2010年起开展农村订单定向医学生免费培养工作，进行基层医疗卫生人员岗位胜任力模型构建研究，为农村订单定向医学生的培养提供参考依据，有利于医学院校教师探究如何使培养的农村订单定向医学生具备岗位胜任力，真正成为“下得去、用得上、干得好、留得住”的农村医学人才。

关于基层医疗卫生人员岗位胜任力模型的构建，可采用文献研究的方式，针对与基层医疗卫生人员职业精神、职业素养、培养模式和能力要求的相关文献进行搜集整理和分析。根据文献研究的结果，将胜任特征来源文件中所涵盖的内容概括成胜任特征，建立基层医疗卫生人员岗位胜任力特征词典。根据基层医疗卫生人员岗位胜任力特征词典设计相关的调查问卷，在问卷附件中对胜任特征进行逐条解释。对基层医疗卫生人员进行问卷调查，了解目前基层医疗卫生机构对基层医疗卫生人员的岗位能力要求。问卷主体部分采用里克特五级评分量表的形式，调查对象按照胜任特征体现的重要程度进行选择。在征得受访者同意后，进行全程访谈录音。完成访谈后，对录音进行文本转录，随后使用文本资料进行内容分析。根据基层医疗卫生人员岗位胜任力特征词典中的词汇，提炼出受访者在其所描述的事件中表现出来的行为和胜任特征。通过对访谈结果进行比对和调查结果统计分析，构建基层医疗卫生人员岗位胜任力模型。基层医疗卫生人员岗位胜任力模型的最终确定和对各要素的重点程度分析邀请专家，听取他们对模型的评价和意见，从而建立有效、可靠的基层医疗卫生人员岗位胜任力模型。这种使用定量研究和定性研究相结合的方式，选择工作在基层医疗卫生单位中不各种资历的医疗卫生人员作为研究对象，借助经典的理论及研究分析方法，探索基层医疗卫生人员这样一个需要承担相对复杂的工作岗位的胜任特征结构。研究结果能确切地反映基层医疗卫生人员的职业特点和职业发展所必备的能力特征，在一定程度上，有理有据地理清了影响在基层医疗卫生机构中的医疗卫生人员工作表现的动机、特质及其他因素。在一定程度和水平上，为基层医药卫生人才培养和人才选拔的主要标准提供了参考。

结合国内外多年来在卫生领域关于岗位胜任力的理论和研究探索符合我国国情的基层医疗卫生人员岗位胜任力模型，论证其在医疗卫生领域应用的可行性和有效性。通过基层医疗卫生人员岗位胜任力模型的建立，医院管理者可以“合理用人，有效用人，善以用人”，对基层医疗卫生人员综合能力进行全方位评价，从而使基层医疗卫生人员都可以有效地发挥才能。

参考文献：

[1]David MC.Testing for competence rather than “Intelligence”[J].American psychologist，1973，28（1）：1-14.

[2]Carraccio C，Wolfsthal SD，Englander R，eta 1.ShiRing paradigms：from Flexner to competencies[J].Acad Med，2002，77：361-367.

[3]Epstein RM，Hundert EM.Defining and assessing professional competence[J].JAMA，2002，287：226-35.

[4]Michael G Stewart.Core Competencies[EB/OL].[2012-6-9].Accreditation Council for Graduate Medical Education（ACGME），Chicago，IL，USA.

[5]Jason R.Frank.The CanMEDS 2005 physician competency framework[R].Ottawa：the Royal College of Physicians and Surgeons of Canada，2005.

[6]GMC.How GMP applies to you[EB/OL].[2011-9-10].

[7]时堪.基于胜任特征模型的人力资源开发[J].心理科学进展，2006，14（4）：586-595.

[8]李文，尹爱田，等.卫生机构管理者胜任力研究及发展[J].中国卫生资源，2005（6）：270-271.

[9]金盛华，张鸣.初级临床医师专业胜任力模型与测量框架研究[M].硕士论文.北京师范大学心理学院，2006.

[10]王贤吉，张新平.全科医师胜任力模型及其应用.中华卫生事业管理，2007（11）：727-729.

[11]王永芳，王永丽，李博.科主任胜任力模型与绩效关系研究.现代医院，2009，5（5）：3-6.

[12]金丽娇，贾英雷，孙涛，等.基于探索性因子分析的全科医生胜任力模型构建研究.中国全科医学，2013，16（11）：3659-3661.

[13]黄涔，董志.某医科大学几所教学医院临床医师岗位胜任力研究.重庆医学，2014，43（15）：1954-1955.

[14]张冬青，何坪，邓宇.农村医生岗位职业能力调查分析.重庆医学，2014，8（43）：3048-3050.

中医学的基本特征篇（4）

关键词：医学生；胜任特征；职业素质

中图分类号：G646 文献标志码：A 文章编号：1674-9324（2017）26-0089-02

党的十八届五中全会提出“推进健康中国建设，深化医药卫生体制改革”的战略目标，标志着卫生事业发展进入新的历史阶段。从国家导向到民生需求，对医学院校毕业生的综合能力及医学教育质量要求也越来越高，医学教育不仅重视医学知识和临床技能的传授，更注重医学科学精神和医学人文精神的融合。在真正步入从医岗位前，对他们能胜任医生工作、成为优秀医生应具备的能力或素质进行分析和研究，提出相应的有利于提高医学生胜任特征水平的教育教学措施已成为一项重要而紧迫的战略任务，是推进医学生就业、提高医疗卫生队伍服务水平的一个关键环节，也是提高全民族健康水平、推进健康中国建设的必然要求。

一、胜任特征的理论概述

David McClelland首次提出胜任特征定义：绩优者所具备的知识、技能、能力和特质。国外运用胜任特征理论在医学领域中的理论研究和实证研究开始较早，1971年Price等人运用自陈量表法、观察法和80多种标准评估方法研究实际工作中表现优秀的医生的特征要素，最终得到医生特征：诊疗能力、与其他专业人员协作的能力、学术成果、经济上的成功、对医学组织的贡献和对非医学社会组织的贡献等。我国关于胜任力的研究集中在人力资源学、教育心理学、管理学上，对医学毕业生胜任特征研究较少，随着时间的推移，胜任特征本身也要不断发展变化。基于此，本文综合运用文献法、关键事件访谈法和问卷调查法对辽宁省内的医学院校毕业生开展调研，构建辽宁省医学毕业生胜任特征模型，为医学院校的职业素质提升的教育目标、教育内容、教育过程、教育方法和教育评价提供参考依据。

二、临床医学毕业生胜任特征模型的实证研究

1.理论建构医学毕业生胜任特征模型。美国毕业后医学教育认可委员会提出临床医师胜任力的六大核心能力，即：临床知识、病人诊治、人际关系及沟通能力、职业素养、从工作中学习及成长、制度下的临床工作。我国在《本科医学教育标准DD临床医学专业（试行）》中提到本科临床医学专业毕业生应达到的基本要求：思想道德与职业素质目标12条、知识目标10条、技能目标13条。通过国内外医师胜任力的解读，本文提炼出医学毕业生的胜任特征要素中应包含：医学理论知识、临床基本技能、人际沟通能力、医生的职业精神、团队协作能力、科学研究能力。

2.行为事件访谈法。行为事件访谈法是构建胜任特征模型的最有效和最经典的方法。[1]访谈对象包括卫生事业单位管理者、医院主管教学的领导、医院带教老师、医学院校专业教师、人力资源专家、心理学家、优秀医学毕业生、普通医学毕业生，从不同角度以期获得更加全面、深入的胜任特征条目。通过访谈、编码、综合分析和归纳提炼，初步建立了医学毕业生胜任特征模型包括12项指标：医学理论知识、临床基本技能、人际沟通能力、职业素养、团队协作能力、科学研究能力、心理素质、职业发展能力、终身学习能力、随机应变能力、成就导向、公共卫生服务能力。

3.问卷调查法。根据上述文献分析和访谈结果，编制辽宁省高校医学类毕业生胜任特征问卷，问卷包括12项胜任特征指标，80个题目，采用likert五级量表评分法，并以辽宁省医学院校业生为研究对象，随机选取了省内四所大学的医学类毕业生325人，其中男生150人，女生175人；学制划分上，五年制190人，七年制135人。发放问卷325份，回收有效问卷310份，回收率95.38%。采用主成分分析法对问卷结果进行探索性因素分析，根据Kaiser标准，提取特征值大于1，因子载荷大于0.45的因子。Bartlett球型检验结果显示适合做因素分析，并且问卷的共同性良好，经正交旋转得出8个特征值大于1的因子，累计方差贡献率为66.36%，问卷的结构效度良好。根据因素负荷矩阵和因子分析的理论，删除不适合的项目，因子负荷小于0.45的包括第3，15，31项，在不同因子上负荷值接近的包括第9，23，35，67，68项。最终，确定了72个条目归为8个因素。对问卷进行信度检验，问卷的系数值大于0.70，具有较高的内部一致性。8个因素的命名分别为：专业知识、临床技能、人际交往与沟通能力、心理素质、成就导向、团队协作能力、公共卫生服务能力、职业精神。

三、胜任特征理论对临床医学专业学生职业素质教育的启示

1.高尚的职业精神是成就医学生未来发展的基石。医学职业精神是从医者在学习和实践中创立和发展并为社会所认可和推崇的一系列职业信念、价值取向及职业准则的总和，是提高患者服务质量的重要杠杆。[2]高校要加强对医学生职业道德教育，努力培养医学生博爱的人道主义精神和强烈的职业责任感，只有学生体会到了自己所从事的职业的社会意义和崇高价值，才能增强健康所系、性命相托的使命感和责任感，坚定他们从业的信心和乐业的恒心。高校可以借鉴国外成熟的课程体系，结合本土医学教育的文化，建立职业素质培养体系，从理想信念教育入手，通过入学季、表彰季、毕业季加强对专业的认同，加深职业情感，强化在临床实习实践中的医学审美教育等。

2.扎实的基础知识和娴熟的临床技能是医学生成长成熟的重要保障。医学生要热爱医学科学事业，并把热爱变为自觉履行医学职业道德的规范和行为，博采众长、精勤不倦、重视医德医术的统一，这是能够为人民健康事业做出贡献的基础条件。高校要狠抓教学质量，创建良好的学风环境，通过显性课程教学体系和隐性课外教育模式形成立体化的医学生职业素质教育模式。采用微讲堂、翻转课堂、在线学习、PBL教学等新颖的教学方法提高学生对知识和技能的理解程度。通过评优评选、榜样示范、励志教育、警示教育、谈心谈话等方式激发学生的学习热情，形成赶、学、比、拼的良好学风。同时，还要加强在临床实习各阶段的职业素质教育管理，加强岗前实践技能的培训，通过临床技能大赛、外科学技能操作大赛等医学学科竞赛、名家讲坛、学术论坛等多元化的交流平台，强化医学生的基本诊疗技能，提升医学生临床思维能力的水平，提高学生的就业力。

3.提升医学生的综合能力是胜任未来全科医生的有效助力。强化医学生综合素质教育的效果，应该从医学生的人文素质教育做起，要解决医学生如何做人、做什么样的人。它关系到医学生自身的道德水平和职业发展，也反映出医学院校的人才培养质量。现代“生物-心理-社会”的医学模式给医生提出了更高的要求，医生在医治患者病痛时，还要调节患者心理的疾患，这就需要医务工作者有主观意识上的“医学人文精神”和主体实践上的“医学人文关怀”。团队协作能力也是对未来医生的要求，一个团队需要队员互相配合才能更好地发展，医院也是如此。同时，要鼓励发展医学生的个性，发掘每个人特长和潜质，发挥学生的主观能动性，提倡积极主动的解决问题的学习方式。医学生还应具有终身学习的能力，在完成医疗工作学习的同时，医学生还应掌握最新医疗前沿发展动态，丰富自己的信息资源库，为进一步的科学研究和创新实践提供理论基础。鼓励医学生参加“挑战杯”课外科技创新活动，使理论在实践活动中得以运用和提升。学校教育要加强医学生的通识教育，完善医学生的知识结构，促进医学与社会科学的融合，有助于养成科学的思维方法和创新发展的实践精神，提升医学生的综合素质。

4.明确的成就导向是医学生不断前行的动力源泉。成就导向是指为自己及所管理的组织设立目标、提高工作效率和绩效的动机与愿望。在马斯洛需要层次理论中，自我实现是最高层次的需要。当个人希望出色地完成工作，并愿意完成具有挑战性的任务，这种人在工作中有强烈地表现欲，不断地为自己设立更高的标准，追求事业上的进步。技术精湛、医德高尚是医学生职业自我发展追求的终极目标，高校要教育和培养学生树立正确的世界观、人生观和价值观，将医疗服务的工具理性和价值理性统一起来，指导医学生进行正确的职业认知、合理进行职业生涯规划，使个人的人生理想与社会的价值需要相统一。

中医学的基本特征篇（5）

20世纪60年代，美国一些著名大学先后开启了生物医学工程学科的建设，相继启动了生物医学 工程专业人才的培养。美国的生物医学工程教育特 点是在技术产业化需求驱动建立起来的具有其自身 特性,且反映了生物医学工程学科建设与发展的前 沿特征。各个学校的本科教育课程虽然具有自己的 特色,但在课程设置上大致可以分为科学基础课程、 专业核心课程、关注领域课程、设计课程、人文与社 会科学课程、专业选修课程及其他选修课程等六 类Q_2。不同学校本科课程的主要差异体现在专业 选修课程及其他选修课程的设置上，各个学校根据 自身的生物医学工程领域的研究方向和研究水平特 点开设一些相应的选修课程，并培养学生在相应方 向上的研究探索实践能力。这是美国生物医学工程 本科教育的基本特点。

我国生物医学工程专业教育起步于20世纪80 年代,主要发源于著名工科院校的信息技术类专业 和力学专业,进而逐渐形成的生物医学工程专业教 育,后来，_些医学院校在医学物理和医用计算机技 术的基础上相继开展了生物医学工程专业教育，于 是在我国基本上形成了这样两种类型的生物医学工 程学科[4_3。上述两类院校的生物医学工程学科建 设发展模式各具侧重,遵循了共同的学科基础,在培 养生物医学工程专业人才的应用层面上有显著特 点。相对来说,工科院校的生物医学工程培养模式 注重工程技术的开发和功能拓展，医科院校则注重 医学与工程结合、工程技术在医学中的综合应用。

1 中国生物医学工程学科发展思路

    生物医学工程是一种交叉学科，交叉的学科基 础及其融合的紧密程度决定了生物医学工程学科的 发展水平,交叉的学科发展推动着生物医学工程学 科的发展,并且使得生物医学工程学科研究领域变 得十分广泛,而且处在不断发展之中。

1.1学科发展轨迹在中国，基于电子信息工程发展而来的生物医 学工程学科，主要包括生物医学仪器、生物医学信号 检测与处理、生物医学信息计算分析、生物医学成像 及图像处理分析、生物医学系统建模与仿真、临床治 疗与康复的工程优化方法、手术规划图像仿真以及 图像导引手术及放疗优化等；有基于力学发展而来 的生物医学工程学科，主要包括生物流体力学、生物 固体力学、运动生物力学、计算生物力学和微观尺度 的细胞生物力学等；基于化学材料工程发展而来的 生物医学工程学科，主要包括生物材料学、组织工程 与人工器官、物理因子的生物化学效应等。

1.2学科发展特点作为交叉学科的生物医学工程学科，其发展的 关键在于交叉学科间的交叉融合。构建一种良好的 交叉结构,对推动交叉学科的发展具有至关重要的 作用。约翰霍普金斯大学对于生物医学工程这样的 交叉学科的描述有一个形象的说法：交叉学科如同 在不同学科之间建立起连接桥梁,如果在河两岸没 有坚实的基础,桥是无法建立好的,对于生物医学工 程这样一座建立在两个不同学科之间的桥来说,它的 发展要求具有坚实的交叉学科基础和交叉学科紧密 融合深度。那么在生物医学工程学科构建良好的交 叉结构,需要选取具有理论支撑和技术支撑的主干学科进行交叉,凝练学科方向,不能大而全,过于宽泛。

目前，医学仪器和医学成像技术具有良好的应 用和发展前景,应该成为生物医学工程学科的重点 发展方向。医学仪器和医学成像设备能有力推动医 疗产业的发展。医疗仪器和医学成像设备是现代医 疗器械产业中的主流产品，在产业发展中起着主导 和引领作用。其发展水平已成为一个国家综合经济 技术实力与水平的重要标志之一。产业化驱动也是 学科发展的一种动力，也为学生未来职业发展奠定 良好的基础。基于医疗卫生健康事业的需求和生命 科学发展的大趋势，生物医学工程学科应大力促进 医学仪器和医学成像方法的学科建设,从而提升整 个学科的发展水平。

生物医学工程学科的建设离不开一流的学术研 究和学术成果的应用。一流的学术研究不但能提升 学科的发展水平,而且能开拓学科纵深发展,产生良 好的经济效益和社会效益，进而增强学科服务社会 发展的能力。学术研究的前瞻性和创新性将确保学 科建设的发展动力和趋势以及学科发展的活力。

交叉学科往往具有不同程度的可替代性。可替 代性程度越高，交叉学科存在的必要性就越小。如 何减小生物医学工程学科可替代性的程度是需要深 入思考的，是需要提升学科的特异性的。生物医学 工程学的学术研究主要包括应用理论研究和理论应 用研究,应用理论研究主要涉及生物医学工程领域 所需要解决的科学问题，开展新理论、新方法的研 究。 理论应用研究主要涉及生物医学工程领域所需 要解决的科学和技术问题,借助理工科的相关理论 和方法开展应用基础研究和应用研究。应用理论研 究是理论驱动型的学术研究，理论应用研究是应用 驱动型的学术研究。 理论驱动型和应用驱动型是生 物医学工程学科学术研究的两种主要模式。 理工科 大学具有良好的理论创新基础和强大的交叉的学科 背景，开展理论驱动型研究具有自身优势。医学院 校具有丰富的医学资源，面临着大量需要应用理工 知识解决的医学问题,开展应用驱动型研究,将很好 地实现与医学的应用融合，具有较好的临床应用价 值,有力推进医学的进步与发展。各自的学术优势 将有利于生物医学工程学科特色发展,从而增强其 不可替代的程度，实现学科可持续创新发展。

1.3学科体系作为一级学科的生物医学工程，包含学科的理 论体系和技术体系，且该体系离不开所交叉的学科 的理论体系和技术体系的支撑，此外生物医学工程 学科理论体系和技术体系既要有学科自身的特色， 又要具有可持续发展和一定程度上的不可替代性， 这样学科才会有旺盛的生命力。要面向医疗卫生、 生物科学所涉及的重大、重要技术理论问题及基础 应用开展学术研究。实现良好的学术研究定位,形 成自己的理论体系和技术体系。

2 大数据时代的生物医学工程学科发展

    守正创新是生物医学工程学科发展的必由之 路,人类已进入大数据时代,所谓大数据（big data), 或称海量数据，是指由于数据容量太庞大和数据来 源过于复杂,无法在一定时间内用常规工具软件对 其内容进行获取、管理、存储、检索、共享、传输、挖掘 和分析处理的数据集。大数据具有“4V ”特征:①数 据容量（volume)大;②数据种类（variety)多，常常具 有不同的数据类型和数据来源；③动态变化 (velocity)快,如各种动态数据，非平稳数据，时效性 要求高;④科学价值(value)大,尽管目前利用率低, 却常常蕴藏着新知识和重要特征价值或具有重要预 测价值。大数据是需要新的分析处理模式才能挖掘 分析出其蕴藏的重要特征信息[<3。

人体生老病死的生命过程就是一个不断涌现的 生物医学大数据发生源，这种源源不断的生物医学 大数据的检测、处理与分析,将给生物医学工程学科 的建设与发展带来新的机遇和挑战。模式识别、人 工智能、数据挖掘和机器学习的发展将带动大数据 处理技术的进步。生物医学大数据广泛涉及人类医 疗卫生健康相关的各个领域：临床医疗、基础医学、 公共卫生、医药研发、临床工程、心里、行为与情绪、 人类遗传学与组学、基因和蛋白质组学、远程医疗、 健康网络信息等，可谓包罗万象,纷繁复杂。生物医 学大数据中蕴藏了种种有科学价值的信息,研究有 效的大数据挖掘的新理论、新技术和新方法,对生物 医学大数据进行关联和融合计算分析，充分挖掘生 物医学大数据中的信息关联和特征关联和数据空间 映射关联,既能为疾病的预防、发生发展、诊断和治 疗康复提供系统化的全新的认识，有利于深入疾病 机理研究分析，开展个性化诊疗。还可以通过整合 系统生物学与临床数据，更准确地预测个体患病风 险和预后,有针对性地实施预防和治疗。

生物医学工程学科所面临的生物医学大数据主 要包括多模态医学影像数据、多种类医学信号数据 以及基因和蛋白质组学的生物信息数据。生物医学 大数据在生物医学工程学科领域内有着广泛深远的 应用前景,从三个方面应用将推动生物医学工程学 科的发展。

(1) 开展多模态影像大数据计算分析。医学影 像学科的发展从早期看得到，到看得清，目前的看得 准,未来的趋势是看得早。只有看得准和看得早才 有利于临床早期干预，提高治疗预期。医学影像大 数据计算分析在影像诊断、手术计划、图像导引、远 程医疗和病程跟踪将发挥越来越大的作用。

建立新的医学影像大数据计算分析模型和数值 计算方法,挖掘多模态影像数据的特征数据和特征 关联,将会提供强有力的影像诊断分析手段,极大地 推动影像技术的发展，具有重要的临床应用价值和 科学价值。

(2) 开展多种类医学信号大数据计算分析。医 学信号大多直接产生于生理和病理过程中的信号， 能在不同层面上表达生理和病理相关机制特征。融 合多种医学信号的大数据计算分析，能对生理病理 过程进行更好更全面的阐释，不仅能深入了解生理 病理的状态特征和过程特征，而且能实现个体健康 监测和管理。可以很好地开展回顾性研究和前瞻性 研究,推进系统化的医学应用研究。实现强大的多 种医学信号数据的特征挖掘及特征关联计算分析。 大数据挖掘能够增加准确度和发现弱关联的能力， 能更好地认识生理病理现象和本质。

中医学的基本特征篇（6）

中图分类号：U491.14文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.025

1引言

医疗文本实体识别是医疗知识挖掘，医疗智能机器人，医疗临床决策支持系统等应用领域的重要基础工作。最近一大批在线医疗信息，社区及远程问诊网站及其应用迅猛发展。这些网站为病患者提供多元化的医疗信息获取渠道。同时产生大量疾病问答信息与医疗文本。这些信息将汇成一股非常可观的大数据。并且这些医疗文本中有大量真实的个人案例，潜藏着丰富的医疗价值。但是这些医疗文本大多处于一种非结构化的状态。为充分挖掘其中的价值，并为接下来医疗问答等应用打好基础工作，医疗文本实体识别是必不可少的步骤。

2相关工作

命名实体识别这个概念是在MUC6（Message Understanding Conference）会议被提出。命名实体识别主要任务是识别出文本中出现专有名称和有意义的数量短语并加以归类。通用的命名识别主要包含实体（组织名、人名、地名），时间表达式（日期、时间），数字表达式（货币值、百分数）等。在生物医学领域，目前比较集中的研究是针对医学文献中的基因、蛋白质、药物名、组织名等相关生物命名实体识别工作[1]。随着医疗系统的信息化， 也出现大量针对电子病历进行的识别工作。

目前常用的命名实体识别方法分为两大类：基于规则和知识的方法与基于统计的方法。基于规则和知识的方法是一种最早使用的方法，这种方法简单，便利[2]。基于规则和知识方法缺点是需要大量的人工观察，可移植性较差。基于统计的方法将命名实体识别看作一个分类问题，采用类似支持向量机，贝叶斯模型等分类方法；同时也可以将命名实体识别看作一个序列标注问题，采用隐马尔可夫链、最大熵马尔可夫链、条件随机场等机器学习序列标注模型[3-6]。这些方法都需要人依靠逻辑直觉和训练语料中的统计信息手工设计出大量特征。这些统计学习方法识别性能很大程度上依赖于特征的准确度，所以要求团队中要有语言学专家。

加拿大多伦多大学的Hinton教授[7]提出深度学习的概念，在全球掀起一次热潮。深度学习通过模仿人脑多层抽象机制来实现对数据（图像、语音和文本等）的抽象表达，将特征学习和分类整合到一个统一的学习框架中，从而减少手工特征制定的工作量。最近几年来，深度学习在图像识别和语音识别等领域已经取得巨大成功。深度学习技术在原始字符集上提取同样也受到很多关注。因为深度学习技g可以在原始字符集上提取高级特征，所以本文利用深度学习技术在大量未标记医疗语料上无监督地学习到词特征、不用依赖人工设计特征，从而达到实体识别的目的。

针对实体识别这一任务，本文用到神经网络语言模型对词进行分布式表达。神经网络语言模型利用神经网络对词的概率分布进行估计、生成模型，从而得到词与词之间的关系；同时该模型是一种无监督训练模型，可以从大量未标记的非结构化文本中学习出词语的分布式表示，并且可以对词语之间的关系以及相似度进行建模。

神经网络语言模型（NNLM）[8]是2003年由Bengio提出，直至近年来由于硬件成本降低、文本数量急剧增加，神经网络语言模型开始逐渐被应用到多种自然语言处理任务中，并取得了不错的效果。纵观神经网络语言模型的演变过程，同样也说一个逐步完善和逐步应用的过程。2011年Mikolov等[9]使用循环神经网络改进了Bengio的神经网络语言模型，该模型在语音识别上的应用性能要优于传统的n-gram语言模型。2011年Collobert等[10]提出了一个统一的神经网络架构及其学习算法，并设计了SENNA系统可用于解决语言建模、词性标记、组块分析、命名实体识别、语义角色标记和句法分析等问题。2013年Zheng等[11]在大规模未标记数据集上改进了中文词语的内在表示形式，并使用深度学习模型发现词语的深层特征以解决中文分词和词性标记问题。2016年Z Jiang等[12] 提出一种基于图的词向量表达，并将其应用到医疗文本挖掘中。2016年SR Gangireddy等[13]提出一种自适应的RNN神经网络语言模型，并将其用到自然语音识别上。本文在前人研究基础上，利用神经网络语言模型构建了词的分布式特征，从而使医疗词汇的命名实体识别更加具有可应用价值。

3算法模型设计

本文设计一种可以用于命名实体识别的深层神经网络架构，该架构的本质是构建具有多层的神经网络，学习出更有用的特征，从而提升识别的性能。比自然语言处理任务中常用模型如：条件随机场模型，SVM，贝叶斯模型，该架构具有两大优势：1. 传统的稀疏特征被稠密的分布式特征取代；2. 利用深度学习结构以发现更高级的特征。

3.1命名实体识别的深层架构

本文的神经网络至少包含三层，第一层是输入层，第二层是隐含层，第三层是输出层。

该深层网络的输入是词分布式表达，输入的词向量也需要训练和优化模型参数；隐含层可以有多层，本文为提高训练速度，使用单层作为隐含层；输出层采用损失函数为二元交叉熵的逻辑分类器构成。

该架构主要思路是将实体识别看作一个分类问题。其输入是词向量表达与上下文词汇的词向量。这些词向量替代了传统机器学习方法人工定义的特征，将这些词向量输入到神经网络，然后通过隐含层将这些词向量转换为另外向量，再通过逻辑回归层进行分类，得到每个词的实体名概率，从而完成此实体识别工作（如图1所示）。3.2分布式表示

上文提到神经网络的输入是词向量。

对词特征和词性特征进行传统的特征表示，那么任意两个词语之间或者任意两个词性标记之间都是孤立的、没有联系的。对词特征和词性特征进行分布式表示，即把每个词语或者每个词性标记都表示为一个低维实数向量，那么任意两个词语之间或者任意两个词性标记之间的欧氏距离将更近。

词语特征的分布式表示可解决机器学习中的维数灾难和局部泛化限制等问题，相比于传统的特征表示方式可以更深入地探索输入数据之间的固有联系，捕获其内部的语法、语义相似性。当遇到训练语料中未出现的词语或词性标记时，采用词语特征的分布式表达训练出的模型仍然能够有较好的表现。

3.3前馈神经网络函数

一个词的实体识别需要考虑该词的上下文环境，这样识别准确度才能更高。本文神经网络输入层是窗口词向量，而不只是单个词的词向量。定义窗口大小为C，当C=1时则表示输入是一个词向量。隐含层的输入是窗口词向量，是一个C*M的矩阵。C为窗口大小，M为词向量的维度。隐含层的输出作为逻辑回归层的特征。逻辑回归层将计算窗口的中心词为各个类别的概率。故本文网络架构的前馈神经网络函数如下：

3.6参数训练

对该深层架构的训练本质是在训练语料上计算模型中的未知参数，未知参数主要包括隐含层的若干参数，还包含逻辑回归层中的变换矩阵W∈Ry×n和偏置矩阵b∈Ry×n。训练神经网络需要用到反向传播算法和SGD（随机梯度下降）算法。具体参数训练流程为：

第一步：随机初始化网络全部参数，包含隐含层、逻辑回归层参数。

第二步：随机挑选一个训练样本（xi，yi），首先进行前向传播，将隐含层的输出信息传递到逻辑回归层，将所提取的最高级特征映射到相应的标记信息上，利用数据的标记值对模型进行有监督训练，并不断调整连接权值，减小模型的目标预测标记与实际标记之间的概率误差。

第三步：反向传播，计算前向传播过程中目标预测标记与实际标记之间的概念误差，并将该误差从逻辑回归层向隐含层传播，并不断调整隐含层参数θ=（W，b（i））。

4医疗文本实体识别流程

针对在线医疗文本信息， 本文主要考虑了5 类命名实体：疾病、症状、药品、治疗方法和检查。具体实体识别流程如图2 所示， 主要包括数据爬取、数据处理、数据处理、词汇分布式特征训练、神经网络模型训练、实体识别和识别结果抽取。首先爬取胃癌、糖尿病、哮喘、高血压四种病相关医疗文本，对获取的医疗文本进行预处理， 包括特殊符号的过滤、人工标注、分词、大小写转化等操作， 然后， 利用程序将所有数据划分为训练集和测试集两部分。将训练集放到模型中进行训练， 随后再利用训练得到的参数测试模型识别效果。

5实验结果及分析

5.1实验条件

本文在Centos系统环境下用Java实现相关代码，完成整个模型的构建与训练。其中使用一款开源工具包word2vec构建神经网络语言模型，word2vec是Tomas Mikolov在2013年开开发出来的工具包。word2vec使用CBOW模型（连续词袋模型）[14-16]。CBOW模型是一种简化的NNLM模型，CBOW去掉了最耗时的非线层、且所有词共享隐层，可无监督地训练出词特征的分布式表示和词性特征的分布式表示。为验证本文算法效果，本文通过设置2组对比实验进行验证，两组对比实验如下：

实验1通过观察分析训练语料，手工构建特征集。这些特征集有符号特征，词性特征，形态特征，后缀特征，身体部位指示词特征与上下文特征等。在训练语料上使用这些特征集训练条件随机场模型，并利用得到的条件随机场模型在测试语料上进行命名实体识别，然后对识别结果进行评估，将实验标记为CRF。

实验2在训练语料上无监督地学习出词的分布式表达和词性的分布式特征表达，并利用词的分布式表达和词性的分布式表达构建并训练3层网络架构。然后利用训练出来的深度神网络在测试语料上进行命名实体识别，且对识别结果进行评估，将实验标记为DBN。

5.2实验结果

本实验使用3个指标来衡量命名实体识别的性能：正确率、召回率和F值。其计算公式如下：

正确率（P）=系统正确识别的实体个数系统识别的实体个数×100%（10）

召回率（P）=系统正确识别的实体个数文档中实体个数×100%（11）

F-值=2×P×RP+R×100%（12）

6结论

本文通过神经网络语言模型学习得到词特征的分布式表达和词性特征的分布式表达。并在词分布式表达基础上构建出一种深层架构，将该深层架构应用于医疗命名实体识别任务。实验表明该方法可以自动抽象出更高级特征，最大程度减少手工特征设计工作量。在医疗语料库上进行2组对比实验，取得总体上88.03%的准确率和82.34%的召回率，该实验结果表明该方法在命名实体识别任务中比条件随机场模型效果更好。

参考文献

[1]胡双，陆涛，胡建华.文本挖掘技术在药物研究中的应用[J]. 医学信息学杂志， 2013，（8）：49-53.

[2]周昆. 基于规则的命名实体识别研究[D]. 合肥：合肥工业大学， 2010

[3]阚琪. 基于条件随机场的命名实体识别及实体关系识别的研究与应用[D]. 北京：北京交通大学， 2015.

[4]冯元勇，孙乐，张大鲲，等. 基于小规模尾字特征的中文命名实体识别研究[J]. 电子学报，2008，36（9）： 1883-1838.

[5]钟志农，刘方驰，吴烨，等. 主动学习与自学习的中文命名实体识别[J]. 国防科技大学学报，2014，4：82-88.

[6]怀宝兴，宝腾飞，祝恒书，等. 一种基于概率主题模型的命名实体链接方法[J]. 软件学报，2014，9： 2076-2087.

[7]HINTON G E，SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks [J].Science， 2006， 313（5786）： 504-507.

[8]BENGIO Y， DUNCHARME R， VINCENT P，et al.A neural probabilistic language model [J]. The Journal of Machine Learning Research， 2003，3：1137-1155.

[9]MIKKOLOV T， KOMBRINK S， BURGET L，et al.Extensions of recurrent neural network language model[C] // 2011 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP） IEEE，2011： 5528-5331.

[10]COLLOBERT R， WESTON J， BOTTOU L，et al.Natural language processing （almost） from scratch[J]. The Journal of machine Learning Research， 2011， 12： 2493-2537.

[11]ZHENG Xiaoqing， CHEN Hanyang， XU Tiayu. Deep Learning for chinese Word segmentation and POS Tagging[C] //EMNLP. 2013： 647-657.

[12]JIANG Zhenchao，LI Lishuang，HUANG Degen.An Unsupervised Graph Based Continuous Word Representation Method for Biomedical Text Mining// IEEE/ACM Transactions on Computational Biology and Bioinformatics，2016， 13 ：634-642.

[13]GANGIREDDY S R，SWIETOJANSKI P，BELL P，et al.Unsupervised Adaptation of Recurrent Neural Network Language Models// Interspeech， 2016， 9： 2016-1342

[14]MIKOLOV T，CHEN K， CORRADO G，et al.Efficient estimation of word representations in vector space [J]. Neural Computation，2014， 14： 1771-1800.

中医学的基本特征篇（7）

近年来，随着计算机科学、物联网、数据科学等的飞速发展，人工智能相关技术与相关产品也在各个领域有着广泛的应用，例如图像识别、文本分类以及语音识别技术等。此外，智慧医疗（WiseInformationTechnologyofMed，WITMED）也取得了重要成果。为了保证训练所得深度学习模型的性能，通常对数据有一些要求，即训练数据和测试数据的特征空间和分布必须相同[1]。然而在医疗领域，其产生的数据具有数据量大、数据类型繁杂、非结构化数据占比大的特点，而且对医疗数据的标注通常需要由拥有充实生物医学知识背景、熟悉诊疗过程的专业人士来完成或指导。若仍采用传统的深度学习方法，则标注任务的周期大大加长，且标注任务也较为繁重。如果在医疗卫生领域将其他场景中的知识迁移、复用到所需场景中，寻找源域和目标域的相似性，则可以有效解决跨域场景下多源异构数据的分析和建模问题，为工作人员带来极大的便利。在总结迁移学习方法的基本思想和类型的基础上，通过文献调研方法探讨了近年来迁移学习在医疗卫生领域的应用现状，旨在为信息时代构建智慧医疗模式提供参考，为科研和医务工作者提供相应思路。

1迁移学习简介

1.1迁移学习的概念

迁移学习是一种新兴、跨任务、跨领域的新型机器学习框架，能够从不同的领域中学习对目标领域有用的知识并将其应用到新的任务中，具有较高的理论研究价值。其主要思想是将源域中的知识迁移到目标域中，以提升学习模型的表现。在大数据时代，迁移学习技术可以在一定程度上解决传统机器学习模型训练过程中低效率的样本标记任务导致的人力和时间资源消耗过大等问题，同时还可以有效解决标注数据的稀缺问题。迁移学习可以从3个方面进行分类：①根据学习的情境，可将其分为直推式迁移学习、归纳式迁移学习以及无监督迁移学习；②根据数据的特征空间，可将其分为同构迁移学习和异构迁移学习；③根据学习方式的不同，可将其分为基于特征的迁移学习、基于实例的迁移学习、基于模型的迁移学习以及基于关系的迁移学习[2]。

1.2迁移学习与传统机器学习的区别

传统的机器学习和深度学习方法对数据的要求较高，其采用的数据必须服从独立同分布且来源于相同的特征空间，需要有足够多的训练样本。在医疗卫生领域中，由于医学数据如医学影像等难以获得，其数据专业性较强、标记成本较高，导致有效标记的数据样本十分有限，而且数据的分布也可能随着各种动态因素而变化，因此传统机器学习方法的数据要求往往难以得到满足。而迁移学习方法放宽了训练数据和测试数据需要服从独立同分布这一假设，使得参与学习的领域或任务可以服从不同的边缘概率分布或条件分布，同时也不需要足够多的数据标注，可以重用其他任务已经建立的模型，从而利用相关领域的知识来完成目标领域的任务。

2迁移学习技术在医疗卫生领域的应用现状

对于医疗卫生领域，其数据拥有专业性较强、非结构化数据较多、种类繁杂以及数据量大等特征。若在医疗卫生领域采用传统的机器学习或深度学习方法，由于数据特征和标签的专业性较强，因此会导致对医疗记录、数据的标注任务较为繁重，费时费力。而运用迁移学习技术，则可以较好地解决这一难题。

2.1迁移学习技术在医学影像诊断中的应用

医学影像中往往含有丰富的信息。近年来，随着人工智能技术和产业的发展，基于迁移学习的医学影像诊断也有了广泛的研究与应用，提高了传统医疗影像识别的准确率，帮助医生节省了大量的时间，可以辅助临床医务人员对患者的健康状况进行诊疗。党维涛等人利用迁移学习方法，通过构建上肢骨骼异常分类与定位的深度神经网络模型，实现对异常X射线片的快速分类和异常区域的自动定位[3]。该方法使用基于迁移学习的深度神经网络模型，通过引入经过预训练的DenseNet模型，针对上肢骨骼X射线片的分类进行再训练，从而提取骨骼X射线片的特定图像特征，获得多层特征图。基于梯度加权类激活映射图求得特征图的加权系数，构建类激活图，从而得到此图片中各个像素点对异常分类概率影响程度的大小，实现对图像的分类和对异常区域的精准定位。使用此方法对异常X射线片进行整体分类与异常定位的模型框架如图1所示，可为影像科医生提供辅助参考[4]。此外，杨沐泓等人提出一种基于卷积神经网络和迁移学习的COVID-19影像自动诊断方法[5]。该方法使用Kaggle的新冠肺炎数据集，通过使用已经初步训练好的模型，对少量样本进行迭代更新，利用多源迁移学习方法训练神经网络，将各个数据源训练的不同权重参数整理为权重参数集。得到预训练模型后，再使用医学影像数据对系统进行迭代更新，从而对图像进行诊断，在该数据集达到了较高的准确率。通过迁移学习方法进行中医诊疗的相关研究工作较少，随着迁移学习在其他医学影像领域分析研究的发展，也为其未来应用于中医诊疗领域提供了一个可关注的方向。目前，中医诊疗主要将其用于解决舌象分类问题。杨晶东等人提出一种基于迁移学习的全连接神经网络舌象分类方法，该方法使用训练好的Inception_v3，从小样本舌象训练集中提取特征，再利用特征微调全连接神经网络，较好地解决了深度学习方法小样本、多分类的难题[6]。宋超等人提出一种基于深度迁移学习的舌象特征分类方法，该方法先使用级联分类器对原始图像进行舌体定位，再将分割后的舌体图像在GoogleLeNet和ResNet上进行深度迁移学习训练，从而对齿痕、裂纹、舌苔薄厚3种主要的设想特征进行分类[7]。上述两种舌象分类方法，均达到了较高的准确率。

2.2迁移学习技术在医学文本中的应用

由于现代医学文本数据的非结构化特征，难以对医学文本进行有效利用，因此如何构建结构化医学文本成为一大研究热点。张博等人提出一种基于迁移学习和集成学习的临床试验筛选标准短文本分类方法[8]。该方法基于迁移学习理论，利用目标域的数据集对预训练的语言模型进行微调，从而得到具有丰富目标域语义信息的语言模型。同时将其与主流的神经网络模型相结合得到医学文本分类器，并针对医学文本分类任务对其进行微调，在集成学习过程中使用beamsearchensemble算法来提高整体性能，最终得到了较高的准确率。刘佳苪提出一种基于迁移学习的小规模医学领域文本摘要生成模型[9]。以医学领域专业型较强的小规模文本数据为研究对象，提出基于迁移学习的Seq2Seq模型，对文本内容进行摘要标题的生成。通过参数优化实现跨域模型同参的效果，并在预训练模型中加入嵌入位置层对长文本限制进行弱化，从而使所得模型的自适应性更强。

2.3迁移学习技术在医学信息资源中的应用

随着网络技术的进一步发展，网络上医学相关的新闻信息量过于庞大，且存在大量虚假、无效或重复的信息，使得没有专业知识背景的公众难以辨别其真伪和有效性。与浅层的机器学习方法相比，深度学习具有更强的数据识别能力和知识表示能力，更适合用于信息的挖掘、分析与处理。使用迁移学习技术，可以在一定程度上打破传统机器学习和深度学习方法对海量标注数据依赖的局限性[10]。赵梓博等人提出一种多任务环境下融合迁移学习的疫情新闻要素识别方法[11]。该方法结合命名实体识别与规则识别方法，通过多个任务对多类别的新闻要素进行识别，并采用模型迁移方法来解决新闻领域数据冷启动的问题，得到了识别效果较好的跨领域要素识别模型。

2.4迁移学习应用过程中的安全问题

虽然迁移学习、深度学习以及其他人工智能技术可以很方便地为医生的疾病诊疗提供参考依据，但在实际应用中，为了确保训练模型的真实性、有效性，训练所用的数据大部分是患者们的隐私数据。假如网络遭受恶意攻击，容易导致训练集中的患者隐私数据发生泄露。如果在数据传输的过程中被窃取，不法分子可能利用这些私有数据进行不法活动，危害用户的财产和人身安全，甚至威胁社会稳定。PAPERNOTN等人提出一种深度学习过程中的训练数据隐私保护方法[12]。该方法采用教师模型全体的隐私聚合（PrivateAggregationofTeacherEnsembles，PATE）模型，利用半监督学习和知识迁移方法对训练数据进行保护。PATE模型的网络分为教师和学生两部分，将隐私数据用于教师网络的独立训练，通过投票法将教师的知识传递给学生，并添加噪声以扰动教师信息，从而达到对整个网络的保护效果。以卷积神经网络为例，PATE模型的主要流程如图2所示。通过该模型，既可以将各个教师的网络聚合起来，又能够保护其隐私。若将这些教师视为各个医院等医疗机构，则可以理解为这些医疗机构试图提升其预测效果且不希望隐私数据被其他参与者获得。田啸天针对皮肤镜图像数据集，提出CNN卷积神经网络模型优化方法并改进了PATE模型，使用差分隐私保护基本思路对PATE模型的网络结构进行完善，进一步提高了患者隐私数据的保护效果[13]。

中医学的基本特征篇（8）

在古代，处于不同地域、不同文化背景下的人们，采用不同的由简单对象组成的系统，用于类比人体生理病理活动的整体特征，形成了世界范围内不同的传统医学体系，进而衍生出互不兼容的体质分类体系。古希腊时代的希波克拉底，是用血液、黏液、黄胆汁、黑胆汁4种体液来描述人的体质的。人体个体4种体液比例恰当，则身体健康。这4种体液组合的比例不同，则形成了不同的体质：血液占优势的属多血质，黏液占优势的属黏液质，黄胆汁占优势的属胆汁质，黑胆汁占优势的属抑郁质。韩国的四象医学，在《灵枢•通天》“五态人”的基础上，将人的体质分成太阳人、少阳人、太阴人、少阴人4种病态体质，即多阳而无阴为太阳，多阳而少阴为少阳，多阴而无阳为太阴，多阴而少阳为少阴。把每种类型体质的结构形态、五官特征、脾气秉性、饮食嗜好等同脏腑大小及相关的生理功能、病理特征联系起来，同时与药物的四气阴阳性能相对应，并将日常摄取的饮食属性与体质阴阳结合，由此形成了融预防保健治疗为一体的相对完备的四象体质医学。在中国传统医学中，基于阴阳五行和脏腑、精气血津液理论，发展了庞大的中医辨证论治体系，不仅能从宏观上辨识人的基本体质类型：气虚型、血虚型、阴虚型、阳虚型、气滞型、血瘀型、痰湿型、湿热型、火热型等，而且可以通过这些基本型的兼夹，确定复合的体质类型，并通过辨证体系对人体状态的进一步区分，把对人体体质的划分和辨识进一步细划到更细的人体各部分或不同方面的功能状态。

从复杂性科学通过隐喻和类比建立复杂系统理论模型的理念来看，用一个我们构想出来的概念系统去描述一个现实系统时，只要两个系统存在一定的相似性，就可以把相对简单的概念系统作为要描述的相对复杂的现实系统的模型，借助于这个概念系统来分析和理解存在于复杂的现实系统的现象和规律。原则上讲，在自然界存在的形形的现实系统中，相似性是普遍存在的。我们的古人，凭借他们天才的想象力，找出了自然界中人们最熟悉的5种事物———木、火、土、金、水与自然界普遍存在的一系列的事物和现象的相似性。由此，把这“五行”及其相互之间的关联，作为理解和认知五味、五色、五化、五气、五方、五季等的模型。在起源于古代的中国传统医学中，我们的前人引入了五脏六腑、气血津液精、六经、三焦等概念，在此基础上，构建了具有相应的功能和相互联系的理论模型，并找出了利用这个模型描述的人体生命过程与现实人体实际发生的生理病理活动之间的某种相似性。依据这样的模型，人们就能较容易地理解人体的生理病理活动；并可以运用它指导我们对疾病和人体异常状态进行有效地调控。

依据复杂性科学的理念，与人体系统有一定程度的相似性，可以通过类比，用于理解和掌握人体生理病理规律的简单模型不是唯一的，甚至我们可以说能满足这样要求的模型是无穷无尽的。就像在传统中医学中有脏腑辨证模型、有六经模型、卫气营血模型和三焦模型；而韩医学引进的是四象模型。现代医学依据整体模型建立体质医学体系，当然可以从零开始，采用隐喻和类比的方法构建一个与以往传统医学不同的人体整体模型，也可以直接引进古代整体论医学的模型为雏型，作为模型研究的起点，毕竟依据古代整体论建立的有些模型经过千百年的验证和发展完善，不仅有详尽的体质分类体系，而且建立了针对不同体质的有效的调控体系。

那么，如何对现存传统医学模型进行评判呢，也就是说选用哪个整体论模型作为体质医学整体模型的雏型呢？严格地讲，我们不能说一个模型对，另一个模型错。选择或评判模型，要看哪一个模型揭示或反映的现实系统的内在规律更广泛、更深刻，哪一个模型具有完善的辨识和调控体系，具有更广泛实际价值。从这个意义上讲，与现存的古希腊、印度、韩国等传统医学体系及其体质分类体系，中国的传统医学的理论模型及其辨证论治体系对人体生理病理规律的揭示要广泛、深刻的多，且具有完备的体质与证候的调控体系。因此，从整体角度，将现代医学的体质医学奠定在传统中医理论和体质分型体系的基础上，会使体质医学一开始就奠定在具有坚实的实践验证及应用价值基础上。

2.基于传统中医辨证论治的体质分型体系

中医的体质分型是以传统中医的证候为基础的，也可以说，体质是中医辨证体系里相对宏观、有一定稳定性的证候。体质类型可以是单一的，又称为基本型，也可以是复合的。如有气虚体质、阳虚体质，也会有阳气虚型的体质；有阳虚型、痰湿型体质，也会有阳虚痰湿型的体质。按照这种理念，将常见的病态或亚健康态的体质分成基本型和复合型两大类，基本型体质比较常见的有10种：平和质、气虚质、血虚质、阴虚质、阳虚质、气郁质、血瘀质、痰湿质、湿热质、火热质。具体分型及对应的判定指标如表1。以上列出了基本型体质的典型特征，在实际中，个体出现的征象往往较少或不典型，要注意识别和鉴别。

常见的复合型体质有：阳气虚质、气血两虚质、气阴两虚质、阴阳两虚质、气滞血瘀质、气虚痰湿质、上火下寒质等。复合型体质的辨识基本是由两种或两种以上基本型体质的特征同时出现来确认的。如同时有气虚质和血虚质的人，则可认为其是气血两虚的体质；同时有气郁质和血瘀质的人，可认为其是气滞血瘀的体质。上热下寒的体质则是在有如手脚冰凉，怕冷，易疲倦，喜食热，经常腹胀、便溏，腹部不适，得温则减等阳虚质表现的基础上，同时出现某些火热质的征象，如容易上火、口干、脸上起痘、有时心烦、脾气暴躁、失眠等。当然，上热下寒体质中的火热征象不像基本型的火热质那样典型。

3.体质医学的未来发展走向

把现代医学的体质医学建立在传统的整体论医学几千年形成的理论模型、体质分型和调控方法基础上，使得体质医学一开始就奠定在坚实的临床实践基础上。体质医学作为与疾病医学的相互补充，对处于亚健康和罹患疾病的人，将针对疾病的治疗和针对体质的调理有机地结合起来，从而实现整体的调控和全面的个体化治疗。然而，在古代朴素的整体论观念下发展起来的传统医学，对人体和疾病的认识往往是直观的、笼统的，缺乏严谨的科学性，无论是相对于近代的分析科学还是现代的复杂性科学，整体论医学都还够不上严格意义上的科学。复杂性科学虽然在方法论层面上与整体论医学具有惊人的一致性，但复杂性科学既然是科学，就不可能抛开近代科学数百年来行之有效的分析方法，否则就会回到古代朴素的整体论。与传统的整体论科学不同，在复杂性科学中，依据隐喻和类比建立的模型必须符合严谨的逻辑规则，同时一定要经过实证检验，并在实践的验证中得到不断完善和发展。

将现代医学的体质医学奠定在中医传统的理论模型和辨证论治体系基础上，进一步要做的就是按照现代科学的原则和方法，对它分进行科学化和规范化的提升和进一步的深入研究。具体的工作主要有以下几个方面。

3.1对基本的体质类型的进一步区分

基于传统中医的理论模型和辨证论治体系，在前面谈到的10种基本体质分型的基础上，对体质类型进一步细划。只有这样，才能使现代医学对体质的调控更有针对性，也更有效。如在基本型阳虚质的基础上，进一步可区分为心肾阳虚、脾胃虚寒和脾肾阳虚等体质类型；在基本型阴虚质的基础上，进一步可区分为肺阴虚、心阴虚、肝肾阴虚和阴虚火旺等体质类型；在基本型气虚质的基础上，进一步可区分为肺气虚、心肺气虚、脾气虚、肾气虚等体质类型。

3.2体质辨识过程中客观指标的引入

目前，基于中医辨证体系的体质辨识所依据的基本上是患者的主观感觉———症状，和医生的定性观察———体征，缺少可用仪器检测的定性定量指标，加上这些症状、体征与体质类型之间的对应常常是多对多的网络关系，即同一个症状（体征）可见于一种以上的体质类型，一种特定的体质类型，往往是由多个症状、体征共同确定的。这就大大增加了体质辨识的不确定性。因此，引入客观指标及相应检测仪器用于体质辨识，对于克服医患主观感觉的偏差，提高体质辨识的准确性，无疑有着重要的意义。

3.3由基本型体质组合成的复合型体质及调控方法的研究

体质不仅可以细划，也可以兼夹，也就是一个以上基本型同时并见的复合型体质。复杂性科学的研究表明，新性质的涌现是复杂系统的最大特点。涌现最基本的特征就是，系统具有了其组成部分所不具有的一种整体性质。一般地讲，在复杂系统中，上一个层次依附于下一个层次，而上一个层次的特性又是从下一层次中涌现出来，具有与下一层次不同的“新颖性”，并且从低一个层次的描述中，不能推出也不能预言高一个层次的新特性。依据这样一种理念，当我们发现由一个以上的基本型兼挟而成的复合型体质时，我们要切记，复合型体质所表现出的症状、体征，并不总是能归结为组成它的基本型体质所对应的症状、体征的简单相加；对它的调控也不能简单的归结为对组成它的基本型体质的各自调控的总和。这种情况下，就要把这种复合型体质作为一个整体，单独地进行研究，寻找它独特的辨识要点和调控方法。如我们前面提到的上火下寒体质的辨识和调控，就有它作为整体的特殊性。

3.4结合定性规则及定量选择的体质辨识模型体系

传统中医学中，由于人体系统的复杂性，某种确定的体质类型，与从人类个体所能观测、感觉到的症状、体征、检测指标，常常找不到确定的一一对应关系，而是以一定的概率相关联的。这样，在从患者了解、观察、检测到一组症状、体征后，如何依据这组确定性程度不高的信息，确定人的体质状况呢？在一个体质型所对应的症状、体征、检测指标组成的集合中，有些对该体质类型的成立是必要条件，但不充分；有些不是必要条件，但其出现会增加这种体质确定的可能性。由此，症状、体征和检测指标对体质辨识的意义有定性的，也有定量的。显然，如何基于体质类型所对应的由症状、体征和检测指标组成的集合，依据不同体质型的具体情况，找出定性与定量相结合的算法，使中医对体质的辨识更精准，这恰恰是体质医学要借助于现代科学手段，作进一步研究的重要内容。

3.5建立用于中医人体模型描述、验证和体质辨识的计算机仿真平台

中医学的基本特征篇（9）

充分应用本区域中医药卫生资源、社区卫生服务政策系统和服务收集，结合实践，落实完成发展中医药社区卫生服务形式的规划，完成中医药收集二次掩盖即融入社区卫生服务“六位一体”工作之中，知足群众分歧条理的中医药需求，推进全区中医药治理工作走上规范化、科学化轨道。

二、创立目的

经过创立，力争2012岁尾，构成以现有社区卫生服务系统为基本，分工合理、便利快捷、中医与西医相结合的新型社区卫生服务机构，将中医药特征融入预防、保健、医疗、康复、健康教育、方案生育技能指导之中，为社区居民供应“安全、可及、价廉、便利”的中医药特征医疗服务，切实缓解社区居民看病难、看病贵问题，完成全区居民可以享有社区传统医疗服务的工作目的，然后构成现代医学与传统中医药并举的社区卫生服务新形式。

三、创立准则

（一）坚持公益性准则。社区卫生服务机构供应不以营利为目标具有中医药特征的公共卫生服务和基本医疗服务。

（二）坚持以人来源则。增强、拓宽社区卫生服务机构的公共卫生和基本医疗服务功能，保证群众享有中医服务的公道性和可及性。

（三）坚持合理结构准则。各社区卫生服务机构在坚持原有结构的基本上，统筹安排、合理规划，设立富有中医特征、便利群众诊疗的中医康复科。

四、首要任务

（一）坚持较为完善的中医药特征社区卫生服务政策系统。严厉依照国家中医药治理局以及省、市相关部分制订的政策和规范，具体打造符合我区实践的中医药特征社区卫生服务机构。坚持中医药社区卫生服务发展设置规划，构成功能健全、特征光鲜、群众承认度较高的社区中医药卫生服务收集，构建中医药“15分钟健康圈”的内在，为社区居民供应“简、便、验、廉”的零间隔优质服务。

（二）逐渐构成具有武昌区特征品牌的中医药服务。针对我区老年人多、贫穷人群多的特点，充分应用湖北省中病院对口帮扶的优势，延聘高年资的中医科主任到社区卫生服务机构坐诊，知足居民群众的中医诊疗需求。以运用中医药适合技能为打破口，围绕社区卫生服务的预防、医疗、保健、康复、健康教育、方案生育技能指导“六位一体”服务功能，重点推行针灸、按摩、拔罐、刮痧、薰洗、敷贴等中医药适合技能，普遍使用于社区经常见病、多发病、慢性病的诊疗服务。

（三）加速社区卫生服务机构中医药人才队伍建设。应用省、市级中病院技能资源，打造全区基层中医药人才培育基地，为构成合理的中医药人才梯队夯实基本。经过有方案地增强对社区中医药人员中医药常识的培训，开展在职人员继续教育，加速中医药、中西医结合技能主干队伍建设和学科带头人的培育，不断提高中医医疗保健的技能质量及服务程度。

（四）坚持规范化的中医药社区卫生服务监管体制。严厉中医药社区卫生服务机构、人员等服务要素的准入准则，制订中医药社区卫生服务工作准则、相关职责、服务规程，探究完善中医药社区卫生服务工作监督评价规范。

五、施行步调

（一）预备阶段：（2012年3月---4月）

成立区创立全国社区中医药工作先进单位指导小组，组建创立工作专班，制订创立工作方案及有关文件，召开发动部署大会，做好各类材料预备工作。

（二）施行阶段：（2012年4月---5月）

各社区卫生服务机构全力打造中医药服务硬件设备，营建优越的中医药服务气氛。区创立办对各社区卫生服务机构的工作进行督导。

（三）功能建设阶段：（2012年5月---6月）

增强中医药人员的培训、实践工作。各社区卫生服务机构结合本社区状况进行中医药“六位一体”功能建设，还针对本单位特有的中医药优势进行提炼深化，全力打造出符合武昌区实践的中医药特征社区卫生服务。

（四）增强阶段：（2012年6月---7月）

各社区卫生服务机构构成响应的中医药特征，并在区创立办统一部署下着手开端进行大规划的中医药进社区健康教育及宣传工作。

（五）迎检阶段：（2012年7月---8月）

区创立办进行具体督导，各社区卫生服务机构严厉自查复审，迎接检查验收。

六、保证机制

（一）坚持工作协调机制。按期召创始建工作指导小组大会，研讨创立有关事宜，实时协调停决社区中医药发展中碰到的问题，保证创立工作有序进行。

中医学的基本特征篇（10）

传统的基于文本的图像检索（Text-Based Image Retrieval，TBIR）技术是先通过人工方式对图像进行文字标注，再用关键字来检索图像，这种方式耗时并且主观，无法满足大规模图像数据的检索需要。基于内容的图像检索（Content-Based Image Retrieval，CBIR）技术是根据图像对象的内容及上下文联系在大规模多媒体数据库中进行检索。

2神经网络的特点

神经网络是在现代神经学的研究基础上发展起来的一种模仿人脑信息处理机制的网络系统，它具有自组织、自学习和极强的非线性处理能力，能够完成学习、记忆、识别和推理等功能，它已在控制、模式识别、图像和视频信号处理、人工智能、自造应滤波等方面获得了应用。医学上，神经网络这一智能的诊断方法，能够排除各种人为因素，得到准确客观的诊断结果，对医学图像数据若用传统的线性处理模式通常不太好处理， BP神经网络是众多神经网络中应用最广泛的一种多层前馈神经网络，图1所示为三层BP神经网络。

3蚁群算法

蚁群算法[6]（Ant Colony Optimization，ACO）是由意大利学者Dorigo等人于20世纪90年代初期通过模拟自然界中蚂蚁集体寻径的行为而提出的一种基于种群的启发式随机搜索算法。蚁群算法作为一种新型的智能仿生模型，近几年在图像分割、图像特征提取、图像匹配、影像纹理分类、图像检索等领域都取得了研究成果[8]。

4神经网络算法和蚁群算法在医学图像检索中的应用

CBIR检索过程是一个逐步求精的过程，其在医学上的应用可以看成是用户（放射学者、医师等）和医学图像数据库之间的一个交互过程。其基本原理是：对医学图像数据库中的每幅图像先进行特征分析，提取图像的特征；建立医学图像数据库的同时，建立与图像库相关联的特征库；在进行图像检索时，对给定的查询例图，先提取特征向量，再将该特征向量与特征库中的特征向量进行匹配，根据匹配的结果在医学图像数据库中搜索，即可检索出所需的图像。本文结合神经网络算法结合蚁群算法，将其应用于医学图像检索，见图2。

4.1医学图像预处理 在医学方面，图像预处理的主要目的是消除图像中无关的信息、增强有关信息的可检测性并最大限度地简化数据，从而提高医务人员对图像判读的准确性及效率。本课题中图像预处理方法由图像增强、图像分割组成。

4.1.1图像增强 图像增强[2]是进行图像检索的先行步骤，可以用公式 来表示，其中 是输入图像， 是增强后的图像， 是对输入图像所进行的操作。本文主要采用直方图均衡化方法来进行图像增强，直方图均衡化是将一已知灰度概率密度分布的图像，经过某种变换变成一幅具有均匀灰度概率密度分布的新图像。与其他方法相比，直方图均衡化方法适用范围广，易于实现，可达到较好的增强效果，暗区中的图像能清楚的显示出来，能够展示更多诊断信息。

4.1.2图像分割 医学图像分割是根据医学图像的某种相似性特征将图像划分为若干个互不相交的"连通"区域的过程。医学图像中，大多数情况下都需要对医学图像作分割，来突出需要的目标物体，如病灶。采用sobel算子计算医学图像边缘和阈值，在此基础上修改阈值使边缘更加精确，以此实现图像分割。

4.2神经网络算法（如图3所示）的实现。

基本步骤如下：①确定问题：对问题做出详细的调研，明确目标，然后考虑如何引入粗糙集从而更好地解决问题。②对数据进行收集，即采集经过图像预处理之后得到的特征数据。③数据处理：把要处理的数据建立成一张二维决策表，每一行描述一个对象，每一列描述对象的一种属性。在本步中，如果无法得到完备的数据表，就有必要将信息表进行完备化操作；如果初始数据是连续值，还要经过连续属性离散化操作。④根据粗糙集理论[5]对数据进行属性约简，利用属性重要度去掉数据表中的冗余条件属性，并消去重复的样本。⑤根据上步中得到的训练数据样本设计BP神经网络，根据约简结果确定神经网络的输入层单元数和隐含层节点数。采用一个 的3层BP神经网络。隐藏层神经元的传递函数设计为S型正切函数，输出层神经元的传递函数设计为S型对数函数。⑥用约简后形成的学习样本对神经网络进行学习，得到神经网络的权值。然后将测试样本输入网络进行测试，输出最终结果。本算法中，规定BP神经网络的训练指标为0.01，训练次数C<5000次。

4.3蚁群算法的实现（如图4所示）。

目前，CBIR方面现已有了大量研究，但CBIR的系统很少用于临床，如遵义医学院附属医院在进行医学图像检索时，更常用的方式还是传统的基于文本的图像检索方式，其最大的原因是CBIR方式检索速度慢，响应时间长。为此，如何保证医学图像数据检索的有效性和准确性是目前CBIR迫切需要解决的问题之一。本文将BP神经网络和蚁群算法结合起来，借助蚁群算法易于与其他算法相结合的优势，利用蚁群算法对粗神经网络算法的参数进行优化的同时，结合医学图像的特殊性，提出将神经网络算法和蚁群算法结合起来应用于CBIR中具有一定的现实意义。

参考文献：

[1]蒋历军.应用网格和水印技术对基于内容的肝脏CT图像检索的研究[D].上海交通大学，2009.

[2]冈萨雷斯.数字图像处理（MATLAB版）[M].北京：电子工业出版社，2012.

[3]史元春，徐光祐，高原.中国多媒体技术研究：2011[J].中国图象图形学报，2012.

[4]H Zhang， JE Fritts， SA Goldman.Image segmentation evaluation： A survey of unsupervised methods[J].Computer Vision and Image Understanding， 2008.

[5]蒋世忠，易法令，汤浪平，等.基于图割与粗糙集的MRI脑部肿瘤图像检索方法[J].中国组织工程研究与临床康复，2010.

[6]张小冬.蚁群算法在医学图像识别中的研究与应用[D].扬州大学，2009.

[7]李旭超，刘海宽，王飞，等.图像分割中的模糊聚类方法[J].中国图象图形学报，2012.

中医学的基本特征篇（11）

医院文化是以共同价值观为基础，医院全体职工所共同遵循的目标和行为规范及思维方式有机结合的总称，医院文化是医院的底蕴和灵魂，是一种价值观，是医院核心竞争力的重要组成部分。文化事实上是一种人化的产物和结果。就文化本质而言，医院文化同样具有文化的民族性、科学性和大众性等基本属性，医疗行业的特殊性决定了医院文化内涵具有根本性、整体性和阶段性的三个特征。

1医院文化具有根本性

文化代表着基本的价值观念，医院文化是医院的灵魂，在医院发展中有着不可或缺的支撑作用，只有那些具有服膺万众的医院文化的医院才会在激烈的竞争中立于不败之地。这凸显出医院文化具有根本性。

随着WTO的加入，以知识经济为特征的全球化和信息化新经济时代的到来，医疗市场的竞争正面临着全面的开放式的高强度竞争，而医院间竞争最终是文化的竞争。

优秀的医院文化是比设备、资产更重要的医院财富，是医院发展的最关键因素。医院文化决定了医院与病人、医院与社会、医院与环境、医院内部人与人之间关系的基调。医院文化的根本性表达在医院内部形成的基本价值观上，而这基本价值观的确立应具有独创性和不可模仿性。正如老子所言“万物生于有，又生于无”。因为，只有独特的医院文化才是最不容易被克隆，最不容易被竞争对手模仿和超越的。

2医院文化具有层次性

作为医院无形资产的医院文化必须通过有形载体来表达和实现。杨曾宪等国内大多数学者根据文化的不同性质，将医院文化分为物质文化、制度文化和精神文化。因此，医院文化具有层次性。医院文化建设应在三个不同、依次递进又相互重叠的层次上展开。

2.1物质文化物质文化是医院文化中最为表浅的第一个层次，物质文化是医院文化最直观的载体，是医院文化的表象，如医院的院徽、院容院貌、院歌等能在外部直接表达的医院特征，是医院外在形象。

医院环境和建筑是医院物质文化的一个重要组成部分，能较好地体现出医院文化特征。如协和医院的琉璃瓦建筑结构所透出的那份凝重与协和医院一向稳重严谨的风格十分吻合，体现出了协和医院文化的积淀和历史的绵长。良好的医院表象文化可以起到展示医院个性、熏陶和培育职工精神文化的作用。

2.2制度文化制度文化是医院文化的第二个层次，制度文化是医院文化建设的重点和基础。制度文化是医院精神文化的体现和外化。医院各项规章制度、医疗活动的流程程序、各种操作规范、医院管理和运作制度等均是医院制度文化。医院员工的核心价值观要通过制度文化来表述，通过制度文化来培养，医院运作的高效、有序与成功的医院制度文化建设有着紧密的关系。

2.3精神文化精神文化是医院文化的第三个层次，也是医院文化的最高层次，是医院文化建设的核心内容和最高境界。精神文化是物质文化和制度文化两个有形文化的升华。精神文化的核心内容是形成医院的核心价值观和医院精神。核心价值观以员工共同价值观为基础，是医院主导思想。在多元化日趋明显和外来文化的冲击下，凝炼医院精神，培育共同价值观对医院的发展有着极为重要的作用。如培育员工的服务意识、品牌意识、质量意识、竞争意识和市场意识就是“以病人为中心”的医院精神文化的一个重要内涵。医院精神文化是不能直接触摸到的，但可以在每时每刻、在每件事、每个角落中和每个职工身上感受和体验到。转医院文化的层次性对实施医院文化建设具有较强的指导意义。医院文化的层次性决定了医院文化建设的阶段性。表象文化作为一个低层次文化较容易达到，但是制度文化是需要长期和艰苦的坚持和不断地完善来实现的，而高层的医院精神文化则是长期传统的传承和经久的文化积淀的结果。通常来讲，医院文化需要分阶段实施，根据马克思主义哲学原理，任何事物都是互相作用和相互依存的，三个层次和三个阶段事实上是不能绝然分开的，是互为交叉、互为重叠和相互支撑和影响的。因此，医院文化建设中必须统筹兼顾，既分步实施，又主题明确，既相对独立，又相互统一，使精神文化最终成为医院的灵魂。

3医院文化具有整体性

医院文化是通过医院员工这个载体来发挥作用的，而绝大多数的医疗服务活动是一个整体的团队活动。因此，医院文化具有整体性。医院文化的整体性是由三个方面所决定的。

医院文化的整体性由文化的载体特征所决定。任何一种文化都需要有形的特定载体来传承和实施，医院文化是医院管理的一个重要部分，其融合在医疗活动和医院管理的每个细节中，医院经营管理要受到医院文化的指导和制约，医院文化也必须服从和服务医院的经营管理，否则，皮之不存，毛之所存焉？

医院文化的整体性由文化的导向作用所决定。文化代表着基本的价值观，医院文化建设的终极目标是在医院员工中形成共同的价值观，为医院发展铺垫思想基础。文化对人们思想、心理和行为的导向作用已是不争的事实。通过文化的训导和教化，使医院员工形成和固化医院核心价值观，培养和引导全体员工达成清楚和明了的共同价值观为核心，形成共同的目标追求、价值取向和道德情操，增强医院内部凝聚力和使员工认知共同的行为规范。

医院文化的整体性由文化的流行特征所决定。从众心理是人类的一个心理活动的本能。文化的流行特征是十分明显的，特别是表象文化和制度文化更趋流行性。医学是自然科学和社会科学结合最为紧密的学科，只有医院文化与环境、社会和主流文化实现了融合，医院文化才会有生机和活力。所以，医院文化建设中必须整体考量社会、环境和文化多元性等要素。

医院文化是医院的灵魂，创建成熟的具有独特品质魅力的医院文化已是医院成长进步、永续发展的核心动力。在建设先进的医院文化中，必须认真考虑医院文化的根本性、层次性和整体性，以医院文化内涵的深度理解来培育具有鲜明特色和经久不衰的医院文化。

参考文献

[1]《中国大百科全书》哲学卷（二），1987，824.