孫忠人，游小晴，韓其琛，徐思禹，尹洪娜

（1.黑龍江中醫(yī)藥大學第二臨床醫(yī)學院 哈爾濱150040；2.黑龍江中醫(yī)藥大學附屬第二醫(yī)院 哈爾濱150006）

近年來，隨著科學技術(shù)的迅猛發(fā)展，人工智能（Artificial Intelligence，AI）已經(jīng)融入社會的多個領(lǐng)域。從20世紀中期發(fā)展至今，其技術(shù)日臻成熟，在醫(yī)療領(lǐng)域的應用場景亦愈發(fā)豐富，圖像分析、語言識別與健康管理等技術(shù)大放異彩，智能醫(yī)療產(chǎn)品與手段的普及使得“AI+醫(yī)療”被認為是最具發(fā)展前景的領(lǐng)域之一。中醫(yī)藥傳承千年，以其獨特的理論體系、豐富的臨床經(jīng)驗和科學的思維方法影響著現(xiàn)代醫(yī)學，辨證論治作為其基本原則和主要特點，構(gòu)成中醫(yī)藥個體化診療體系，與國際精準醫(yī)療接軌。然而中醫(yī)藥的傳承之路仍舊面臨著數(shù)據(jù)分散、人才缺失和技術(shù)局限等痛點，故而在承繼前賢的基礎(chǔ)上，如何推進發(fā)展、持續(xù)創(chuàng)新，使中醫(yī)藥走向現(xiàn)代化是亟待解決的問題。

AI與中醫(yī)學均為多學科交互滲透的產(chǎn)物，且前者注重整體效應、強調(diào)開放動態(tài)、重視經(jīng)驗思維、關(guān)注預測推理的思維模式[1]與中醫(yī)理論體系中秉承形神一體、天人相應的整體觀念以及側(cè)重功能聯(lián)系、宏觀觀察的中醫(yī)學思維特點不謀而合[2]。因此AI與中醫(yī)藥的有機結(jié)合，將是中醫(yī)藥發(fā)展的良好契機。與此同時，我國政府亦大力支持AI在醫(yī)療行業(yè)中的發(fā)展，與之相關(guān)的發(fā)展規(guī)劃與重大科技項目陸續(xù)步入實施階段，其中，以中醫(yī)藥領(lǐng)域現(xiàn)代化產(chǎn)物為標志的一系列重大專項課題標志著“AI+中醫(yī)藥+健康”的戰(zhàn)略形成，AI已經(jīng)成為國家戰(zhàn)略與發(fā)展意愿。本文將從AI在中醫(yī)藥領(lǐng)域的應用進展、爭議挑戰(zhàn)以及對策展望方面，就近年來國內(nèi)外研究進展進行總結(jié)，以期為AI視域下實現(xiàn)中醫(yī)藥現(xiàn)代化、智能化賦能。

1 人工智能與深度學習

人工智能作為21世紀世界三大尖端技術(shù)之一，是一門綜合計算機科學、心理學、仿生學、控制論以及哲學與認知等多學科交叉合作的前沿學科，用以模擬人類思考判斷并擴展人類智能。1956年，約翰·麥卡錫博士于達特矛斯會議上首次提出人工智能的概念[3]，隨后，邏輯理論算法與機器學習等方法相繼問世，開辟了AI持續(xù)發(fā)展的道路。

我國最早將AI技術(shù)應用醫(yī)療領(lǐng)域的研究可追溯至上世紀70年代[4]，在經(jīng)歷了40余年的發(fā)展沉浮后，自2018年至今AI在醫(yī)療領(lǐng)域得到了全面而深化的發(fā)展，從理論探索到設(shè)備開發(fā)，應用深度學習或卷積神經(jīng)網(wǎng)絡(luò)的研究遍地開花[5]。深度學習（Deep Learning，DL）是機器學習的方法之一，通過對樣本數(shù)據(jù)內(nèi)在規(guī)律與層次特征的感知學習，進行復雜關(guān)系建模，從而發(fā)現(xiàn)數(shù)據(jù)的分布表示或類別屬性，最終實現(xiàn)模擬人腦對圖像、文字和聲音的識別與分析等高級決策任務。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是DL的代表算法之一，其仿造生物視覺機制構(gòu)建，在圖像分析和語音識別方面優(yōu)勢明顯[6]。云平臺、互聯(lián)網(wǎng)、大數(shù)據(jù)三者聯(lián)合構(gòu)建樣本數(shù)據(jù)庫，DL基于不斷擴大的樣本數(shù)據(jù)庫精進算法、改良模型，從而提高識別精度，能夠刻畫數(shù)據(jù)豐富的內(nèi)在信息，最終實現(xiàn)中醫(yī)智能化輔助診療[7]。目前，AI在中醫(yī)范疇的應用主要體現(xiàn)在輔助診斷、決策治療、專家系統(tǒng)以及健康管理等方面，不僅提高了臨床診療效率，推進了臨床信息客觀化，更為中醫(yī)藥后續(xù)發(fā)展提供無限可能。

2 AI與中醫(yī)診斷

2.1 智能化中醫(yī)四診

2.1.1 望診

望診居于四診之首，古來素有“望而知之謂之神”之說，其以最直觀的方式反映人體的外部情況。圖像分析是AI技術(shù)領(lǐng)域的一個分支，它可以采集圖像并對其加以處理和識別，最終呈現(xiàn)分析結(jié)果，從而構(gòu)建中醫(yī)臨床信息的智能識別分析模式，該模式下以舌、面望診的研究最為廣泛。

舌象是中醫(yī)診斷的重要組成部分，明清時期溫病學家就極為重視辨舌驗齒?！夺t(yī)門棒喝》有言：“觀舌本可驗其陰陽虛實，審舌垢即知其邪之寒熱淺深也。”可見舌象在疾病發(fā)展過程中變化迅速且鮮明，是醫(yī)生診病辨證的關(guān)鍵依據(jù)。目前舌象的智能化采集多依賴于數(shù)碼相機成像，通過計算機將舌圖像轉(zhuǎn)化為模擬信號，經(jīng)過可視化定量處理完成圖像分析。同時，臨床研究中也有根據(jù)舌診的不同內(nèi)容而采用光譜舌色校正、舌苔舌質(zhì)分離和舌形舌態(tài)識別的儀器，針對性地收集舌象并建立舌象數(shù)據(jù)庫[8]。數(shù)據(jù)庫與中醫(yī)理論相結(jié)合，搭載AI技術(shù)，實現(xiàn)舌象分類與自動分割場景，已經(jīng)可以達到與人類感知高度一致的地步[9]。近年文獻顯示，基于CNN算法的舌象識別與提取模型在相關(guān)研究中表現(xiàn)良好，Xiaoqiang Li等提出了“凹面信息標記可疑區(qū)域—CNN提取深度特征—多實例分類器最終判定”的三階段法對齒痕舌進行識別[10]；無獨有偶，Xu Wang等同樣提出使用ResNet34 CNN架構(gòu)來提取齒痕舌舌象并執(zhí)行分類，結(jié)果顯示整體精度超過90%[11]。Dan Meng等在CNN基礎(chǔ)上創(chuàng)建了一種名為約束高分散 神 經(jīng) 網(wǎng) 絡(luò)（Constrained High Dispersal PCANet，CHDNet）的新型特征提取框架，用于提取無偏特征的舌象。他們引入高分散操作和多尺度特征分析，解決了舊模型的冗余問題且避免了變形等敏感性問題，使模型具有更高的準確性，并能提供更多的分類信息，同時減少了人力成本[12]。CNN還被用來探索舌象與疾病之間的關(guān)系，Usharani等從舌象熱圖分割熱點區(qū)域并提取特征，再通過機器學習對正常人和糖尿病人的舌象進行分類，繪制基線測量值和舌面熱分析圖，同時開發(fā)計算機輔助診斷系統(tǒng)以對二者進行分類。結(jié)果顯示糖尿病人舌面溫度高于正常值，且CNN分類器準確率高達94.28%[13]。

面部望診包含神色的整體觀察和頭面的局部觀察。《靈樞·本臟篇》曰：“視其外應，以知其內(nèi)臟，則知所病矣?！迸K腑精氣上榮于面，經(jīng)絡(luò)血脈匯聚于面，順應“神形合一”的整體觀念，遵循司外揣內(nèi)、見微知著的中醫(yī)診斷基本原理，其色澤形態(tài)可直接反映機體精神的狀態(tài)與臟腑氣血的盛衰。且《靈樞·五色》與《素問·刺熱》中皆有關(guān)于面部分候臟腑的論述，可見“望面”在辨別病位、洞察病機方面優(yōu)勢明顯，對于疾病的早期篩查和診斷意義重大。因此，AI之面部識別是現(xiàn)代化望面的核心技術(shù)，運用圖像分析方法對患者面部照片的特定標志點進行特征提取，通過機器學習方法建立模型對已知的面部特征分類并納入對應數(shù)據(jù)庫，經(jīng)過數(shù)據(jù)比對得出相應診斷結(jié)果[14]。在AI技術(shù)層面，面部分割一直是研究熱點，以多重算法對其進行探討[15]，將顏色與光澤作為特征進行訓練，提取相關(guān)特征后對高維數(shù)據(jù)降維處理，隨后以支持向量機（Support Vector Machine，SVM）模型為代表的分類器與數(shù)據(jù)進行加權(quán)融合，最終獲得了極佳的識別精度與分類性能[16,17]。

2.1.2 切診

脈診是狹義的切診，在中醫(yī)診斷中有著不可或缺的重要地位。人體血脈流貫周身，運行氣血，《靈樞·脈度》曰：“其流溢之氣，內(nèi)溉臟腑，外濡腠理。”可知脈象的盛衰正乖都是臟腑虛實、氣血邪正的外在表現(xiàn)。將脈象這種相對抽象的感知搏動轉(zhuǎn)化為具象的脈沖圖形并進行定量分析，打造清晰明確、可重復的中醫(yī)智能化脈診系統(tǒng)有賴于電子傳感器的精準采集與AI算法模型的不斷革新。從“三部九候”到“獨取寸口”，中醫(yī)臨床已經(jīng)確立了脈診的基本理論方法，由“寸、關(guān)、尺”三部全面獲取脈象“位、數(shù)、形、勢”四要素參數(shù)，經(jīng)AI算法模型辨識，再與中醫(yī)臨床診療知識圖譜深度融合是中醫(yī)智慧切脈的基本研究思路。Anson等建立了一個基于人工神經(jīng)網(wǎng)絡(luò)的電子中醫(yī)脈診系統(tǒng)，通過脈沖裝置收集左右寸口分部六個位置共八個元素的強度并提取形成物理參數(shù)，依照模型結(jié)構(gòu)訓練算法優(yōu)化性能，最終經(jīng)過臨床試驗得出最佳算法。該系統(tǒng)可以輔助收集遠程醫(yī)療中的相關(guān)健康數(shù)據(jù)[18]。陸鑫根據(jù)妊娠期與非妊娠女性脈象不同，以妊娠檢測為應用場景，結(jié)合信號處理與機器學習技術(shù)來構(gòu)建數(shù)字化脈診體系。該研究集成脈象信號的采集、提取、識別為一體，采用數(shù)字脈象儀收集數(shù)據(jù)并進行二維轉(zhuǎn)化,建立初步的脈象數(shù)據(jù)庫。結(jié)果發(fā)現(xiàn)極端梯度增強模型對妊娠脈象有最佳的檢測精度,其識別率達到了87.5%[19]。

在智能脈診相關(guān)的各路研究中，脈診儀的使用無疑是關(guān)竅所在。在跨越半個世紀的中醫(yī)脈診現(xiàn)代化研究中，多位學者投身其中，從傳感器種類到特征分析算法，碩果頗豐。以壓力式傳感器為代表的脈診儀是臨床常用的智能切脈儀器，且逐漸向便攜式、可穿戴式設(shè)備發(fā)展。同時基于脈圖數(shù)據(jù)庫而進行的脈象與疾病相關(guān)性研究也為中醫(yī)臨床診療的持續(xù)發(fā)展拓寬思路[20]。

2.1.3 聞診與問診

中醫(yī)聞診聽聲嗅味，《素問·陰陽應象大論篇》有云：“審清濁而知部分，視喘息聽聲音而知所苦?！标U明了聞診在疾病診斷中的重要地位。聲音的變化有助于了解機體的病情輕重與正邪消長。以高也陶二十五音分析儀為開端[21]，到目前普遍使用的語圖儀、頻譜儀等多功能聲音檢測儀器，可將聲音轉(zhuǎn)化為數(shù)字化、可視化數(shù)據(jù)進一步處理，針對臨床特定證型患者，分析其特征參數(shù)[22]。Jianjun Yan等通過對肺氣虛證、肺陰虛證患者及健康人的聲學特征進行提取，基于分形維數(shù)與小波包變換進行SVM模型分類訓練，以達到輔助辨別中醫(yī)證型的目的[23]。病理性氣味多由邪氣侵擾，氣血失衡，臟腑失調(diào)產(chǎn)生，故而嗅辨異常氣味可幫助診病辨證。以電子鼻為代表的科研技術(shù)實現(xiàn)了對單一或復雜氣體的分析識別，氣味傳感器的研發(fā)加速了AI與聞診的融合，機器學習算法的進一步開發(fā)使基于中醫(yī)理論下，預測分子的氣味屬性變?yōu)楝F(xiàn)實[24,25]。Chunsheng Wu等基于味覺與氣味感覺的分子機制研究，總結(jié)了目前以生物傳感器檢測氣味并研究配體-受體相互作用的方法，將生物體內(nèi)的味覺、嗅覺細胞與受體等作為敏感因素來收集信號；同時可利用微電極植入技術(shù)記錄動物體內(nèi)的信號傳導[26]。

問診自古以來受歷代醫(yī)家重視，張景岳更奉問診為“診病之要領(lǐng)，臨證之首務”。它是了解病情、診察疾病的重要方法，通過與患者的溝通交流獲取臨床信息的首要資料。智慧型中醫(yī)問診離不開語音識別技術(shù)，電子問診系統(tǒng)實現(xiàn)人機對話，需要對日常語言進行辨別與轉(zhuǎn)化，所以構(gòu)建優(yōu)良的語言模型是數(shù)字問診的關(guān)鍵技術(shù)。自然語言處理（Natural Language Processing，NLP）系統(tǒng)可從非結(jié)構(gòu)化文本中甄別有效信息，與深度學習、語音識別共同構(gòu)成AI問診系統(tǒng)的核心中樞，該系統(tǒng)基于大數(shù)據(jù)云計算平臺構(gòu)建的中醫(yī)藥病例知識庫，在自動采集、癥狀推理、輔助診斷方面廣泛應用[22]。隨著AI研究的不斷深化，利用CNN提高語音識別效率，增加模型的魯棒性，為進一步實現(xiàn)AI聽聲辨病貢獻中堅力量[27]。

中醫(yī)四診之“聞診”與“問診”的智能化研究是通過對聲音、氣味及語言的分析整合以獲得臨床信息，然而目前針對二者的智能型診療設(shè)備等相關(guān)研究相對較少。高敏度仿生傳感器的研發(fā)是中醫(yī)聞診客觀化的基礎(chǔ)，以語音識別為核心的電子問診系統(tǒng)，在自然語言處理方面尚存難以攻破的技術(shù)難點，對內(nèi)容的有效界定以及消除歧義與模糊性均是未來發(fā)展的研究重點。

2.1.4 四診合參

中醫(yī)四診之“望聞問切”是從不同角度檢查病情和收集資料的基本方法。四診并重，諸法合參，加之司外揣內(nèi)的基本原理，方能測知機體變化?？梢娝脑\之于診斷，正如形體之于精神，相輔相成，不可缺一。然而在傳統(tǒng)中醫(yī)臨證過程中，通過四診收集的信息易受醫(yī)者主觀因素影響，與醫(yī)者個人經(jīng)驗息息相關(guān)；同時患者的自身狀態(tài)、所處環(huán)境也容易導致一定程度的判別差異。故而采用AI技術(shù)打破常規(guī)方式，遵循數(shù)字化、客觀化原則對中醫(yī)四診信息進行采集，不僅規(guī)范了四診信息的收集模式，還彌補了臨床醫(yī)生由于自身經(jīng)驗認知所造成的偏差。再結(jié)合互聯(lián)網(wǎng)大數(shù)據(jù)云計算等相關(guān)技術(shù)，實現(xiàn)AI與中醫(yī)四診的碰撞融合，推進中醫(yī)診斷智能化進程。近年間，隨著該進程的不斷推進，四診合參智能化趨勢漸顯，但目前由于不同診法設(shè)備分類標準不統(tǒng)一，信息來源存在差異，故四診合參智能化尚存較大發(fā)展空間[15]。

2.2 數(shù)字化中醫(yī)辨證

辨證論治是中醫(yī)學的基本特點與核心思想，其依據(jù)中醫(yī)理論獨有的思維體系，通過對證的分析整合而實現(xiàn)對病的診斷治療，由辨證而知病因、明病位、悉病性、曉病勢，辨證即診斷之要務。將中醫(yī)辨證思維與AI技術(shù)滲透融合，塑造智能化、客觀化且可重復操作的規(guī)范性系統(tǒng)模型可以為中醫(yī)辨證的科學性提供理論支持，同時為中醫(yī)臨床診療提供更加高效、便捷的實踐助力。近年來許多相關(guān)研究都在探索這一嘗試的可行性。

Qingchen Zhang等提出了一個基于邊緣云計算系統(tǒng)的統(tǒng)一智能中醫(yī)框架，該框架融入深度學習算法來建立模型，再通過高血壓和感冒的辨證分型進行驗證[28]。最終實現(xiàn)了計算機輔助辨證和處方推薦。陰陽為八綱中的總綱，是辨別疾病屬性的兩個綱領(lǐng)。陰陽失調(diào)則疾病叢生，故而陰陽辨證對中醫(yī)臨床診斷至關(guān)重要。Qinan Hu等將醫(yī)療記錄中的非結(jié)構(gòu)化文本作為輸入，利用CNN和fastText兩種端到端算法進行實驗，準確率達到92.55%，證實了端到端文本分類算法在非結(jié)構(gòu)化健康記錄中進行陰陽辨證的可行性[29]。中醫(yī)在治療晚期肺癌，延長生命方面頗有成效，準確地辨證對治療起到舉足輕重的作用。Ziqing Liu等同樣以非結(jié)構(gòu)化文本的醫(yī)療記錄作為輸入，使用端到端模型建立肺癌辨證分型的中醫(yī)診斷模型。此舉可以使醫(yī)療記錄的利用率最大化，通過數(shù)據(jù)增強和模型融合，基于深度學習的多標簽分類法可以更好地模擬晚期肺癌等復雜疾病的中醫(yī)辨證[30]。中醫(yī)的癥狀體征與證候之間是復雜而非線性的關(guān)系，Guoping Liu等據(jù)此采用深度學習與多標記學習構(gòu)建中醫(yī)慢性胃炎的辨證模型。結(jié)果表明深度學習可以提高辨證的準確性，同時為臨床實踐提供參考[31]。

2.3 系統(tǒng)化輔助辨病

辨病是基于中醫(yī)基礎(chǔ)理論，綜合分析四診信息，以科學性思維進行縝密邏輯推演，從而判斷疾病病種，結(jié)合病種的特點及規(guī)律得出病名診斷的思維過程。利用AI技術(shù)輔助完成這一過程是中醫(yī)診斷現(xiàn)代化的研究目標，可輔助醫(yī)療人員進行診斷決策的智能系統(tǒng)稱為輔助診斷系統(tǒng)。

數(shù)字化醫(yī)學時代，AI輔助診斷系統(tǒng)可以模擬醫(yī)生診斷和治療中的演繹推理過程。Hong Zhang等使用CNN算法開發(fā)了一種AI輔助診斷系統(tǒng)。鑒于疾病與證候的非單一線性關(guān)系，該系統(tǒng)旨在診斷中醫(yī)常見疾病與相應證型。采用自然語言處理技術(shù)中雙向長短期記憶網(wǎng)絡(luò)條件隨機森林的遞歸神經(jīng)網(wǎng)絡(luò)模型處理非結(jié)構(gòu)化電子健康記錄，提取特異性癥狀體征。再利用CNN構(gòu)建的綜合學習模型預測187種疾病及其證型，結(jié)果顯示該系統(tǒng)預測準確率均在80%以上，具有良好的準確性與較強的泛化能力[32]。

2.4 標準化體質(zhì)辨識

體質(zhì)是個體在生理上相對穩(wěn)定的身心特性，在生命過程中綜合先天稟賦和后天修養(yǎng)而成。目前中醫(yī)界公認王琦教授分類表述的9種體質(zhì)最具代表性，分別為平和質(zhì)、氣虛質(zhì)、陽虛質(zhì)、陰虛質(zhì)、痰濕質(zhì)、濕熱質(zhì)、血瘀質(zhì)、氣郁質(zhì)和特稟質(zhì)[33]。體質(zhì)差異使得個體對某些病邪的易感性不同，并在一定程度上決定著疾病的轉(zhuǎn)歸預后，因此體質(zhì)辨識對了解疾病的病因病機、指導辨證治療十分重要。

AI助力體質(zhì)辨識自動化已有近10年的歷史，自許在安等研究設(shè)計了中醫(yī)體質(zhì)辨識智能分析模型后[34]，又有學者分別以面部圖像或脈搏波為載體，基于AI技術(shù)算法開發(fā)體質(zhì)自動辨識系統(tǒng)。Eryang Huan等提出基于深度CNN的人體構(gòu)成識別算法，根據(jù)面部圖像對個體構(gòu)成類型進行分類。將面部特征與顏色特征相結(jié)合，再使用分類器獲得相應體質(zhì)結(jié)果，準確率達到65.29%[35]。張毅等探索光電容積脈搏波頻域分析針對氣虛質(zhì)辨識，結(jié)果顯示隨機森林算法模型最優(yōu),準確性達到80.4%[36]。由于舌象在體質(zhì)分類標準中具有明確表征且采集技術(shù)相對成熟，故而以舌象辨別體質(zhì)的熱度較高，潘思行等與Jiajiong Ma等皆提出相關(guān)設(shè)想并加以研究，結(jié)果顯示SVM與深度CNN對體質(zhì)辨別均有較高的準確性[37,38]。

3 智能決策與數(shù)據(jù)挖掘

3.1 專家系統(tǒng)

專家系統(tǒng)由AI衍生而來，于20世紀70年代進入醫(yī)學視野，其內(nèi)部含有醫(yī)學專家水平的知識經(jīng)驗，綜合語言分析、知識獲取等技術(shù)，模擬醫(yī)學專家診病臨證的思維過程，繼承其豐富的診病經(jīng)驗以及靈活的辨證邏輯，從而實現(xiàn)臨床智能決策，包括精準診斷與個體化診療方案。其中具有里程碑意義的是1978年，關(guān)幼波教授率先開發(fā)出國內(nèi)首個醫(yī)學專家系統(tǒng)“關(guān)幼波肝病診斷程序”[39]，該系統(tǒng)基于中醫(yī)學理論，為中醫(yī)領(lǐng)域內(nèi)專家系統(tǒng)的發(fā)展奠定了堅實基礎(chǔ)。近年，Gang Zhang等基于深度集成學習策略分析建立了一個名老中醫(yī)臨床經(jīng)驗分析模型，旨在通過分析包含國際疾病分類（ICD-10）的標簽注釋的臨床記錄，達到有效診斷和穴位推薦的目的[40]。在我國，中醫(yī)專家系統(tǒng)的應用領(lǐng)域涵蓋了疾病輔助診斷、健康管理等方面，其構(gòu)成立足于中醫(yī)學豐厚的歷史文化資源，得益于AI技術(shù)勢如破竹的發(fā)展動態(tài)。

3.2 數(shù)據(jù)挖掘

古往今來，著名醫(yī)家的臨證經(jīng)驗和學術(shù)思想一直是中醫(yī)藥傳承的寶貴財富，醫(yī)者經(jīng)多年臨床實踐與探索研究，形成完整的思維體系，對后世中醫(yī)臨床遣方用藥具有極大的指導意義。而中醫(yī)浩如煙海的文獻古籍便是中醫(yī)文化傳承的主要載體，亦是中醫(yī)藥走向現(xiàn)代化的突破點與數(shù)據(jù)來源，包括上述專家系統(tǒng)的構(gòu)建也離不開相關(guān)資源的挖掘整合，借助AI技術(shù)對相對零散的數(shù)據(jù)進行特征分析，挖掘隱藏規(guī)律并形成優(yōu)勢互補，為疾病的診斷與治療提供更加多元化的思維。

何菊等為探索名中醫(yī)治療肺癌的用藥規(guī)律，基于節(jié)點關(guān)聯(lián)度和藥物屬性相似度構(gòu)建中藥向加權(quán)復雜網(wǎng)絡(luò)，分析上千條醫(yī)案方劑，圍繞核心藥物進行劃分，揭示用藥規(guī)律的同時生成高低頻藥物組合以啟示臨床[41]。電子病歷信息為醫(yī)療保健發(fā)展提供經(jīng)驗與證據(jù)支持，然而電子病歷數(shù)據(jù)的復雜性與抽象性使得病歷信息精確化、系統(tǒng)化難以實現(xiàn)。Zhaohui Liang等提出“貝葉斯網(wǎng)絡(luò)+支持向量機”的兩步深度學習模型對電子病歷進行信息檢索以捕獲相關(guān)數(shù)據(jù)的關(guān)鍵特征，其屬性優(yōu)于傳統(tǒng)淺模型，提高了計算機輔助醫(yī)療決策系統(tǒng)的性能[42]。

中醫(yī)藥歷史悠久，流派眾多，各家理論思想亦不盡相同，如何在個性用藥中發(fā)掘共性規(guī)律，完成對立統(tǒng)一的理論延伸，是現(xiàn)代中醫(yī)人需要思考的問題。張子和與朱丹溪，一主攻下一善滋陰，二者用藥差異顯著，故而王瑞祥等以二人方劑建立數(shù)據(jù)集，以樸素貝葉斯和SVM進行模式識別。結(jié)果顯示該算法將方劑明顯區(qū)分，且后者更勝一籌[43]。此模型可作為比較臨床醫(yī)生方劑差別的指標。除卻輔助臨床實踐，數(shù)據(jù)挖掘在學術(shù)理論研究中同樣擔當重任。從科學、系統(tǒng)的角度為中醫(yī)學理論體系服務。Goli等根據(jù)Kitchenham系統(tǒng)評價方法回顧了2000年至2017年間的5個數(shù)據(jù)庫。選定42篇與中醫(yī)學機器學習相關(guān)的文獻，從應用領(lǐng)域、常用方法、優(yōu)點局限與評價方法四個維度進行歸納[44]。不僅指出數(shù)據(jù)挖掘技術(shù)是中醫(yī)智能辨證的主要工具，還證明了機器學習是AI與中醫(yī)交匯的關(guān)鍵優(yōu)勢所在。數(shù)據(jù)挖掘建立在特征詞提取的基礎(chǔ)上，Liangliang Liu等提出了一種基于BiLSTM+CRF的深度學習模型，并使用特征詞提取中醫(yī)臨床術(shù)語，結(jié)果顯示這種半監(jiān)督模型可提高中醫(yī)臨床術(shù)語命名實體識別的效率與準確性，同時降低了手動注釋的成本[45]。

4 AI與健康管理

21世紀以來，“健康生活”的理念已經(jīng)深入人心，醫(yī)學目的也逐漸從“疾病治療為中心”向“維持健康為中心”轉(zhuǎn)變。中醫(yī)學歷來注重預防、關(guān)注健康，早在《黃帝內(nèi)經(jīng)》中便提出了“圣人不治已病治未病，不治已亂治未亂”的“治未病”思想，其源于中醫(yī)學“天人合一，形神一體”的整體觀念以及“陰平陽秘，精神乃治”的理論基礎(chǔ)。其思想內(nèi)核與國際健康管理的概念頗為一致，故基于此核心理念的中醫(yī)健康管理模式應運而生。KY3H模式是中醫(yī)特色健康保障服務的新模式，以人為本的“知己”核心，聯(lián)合健康文化、健康管理、健康保障三位一體的運行模式，搭載AI技術(shù)與中醫(yī)藥大數(shù)據(jù)辨識評估的技術(shù)支撐平臺，為人類提供現(xiàn)代化自助式智能健康保障服務[46]。

狀態(tài)是生命整體情況的外在表達，健康狀態(tài)更是中醫(yī)“治未病”思想與現(xiàn)代醫(yī)學的理論交匯。中醫(yī)診斷以四診合參之形式，辨證論治之原則，依據(jù)“有諸內(nèi)者，必形諸外”的司外揣內(nèi)原理，對生命體的功能狀態(tài)加以判斷，是中醫(yī)健康狀態(tài)辨識的核心內(nèi)涵。中醫(yī)健康狀態(tài)辨識是由證素辨證發(fā)展延伸而來，徐佳君等據(jù)此提出中醫(yī)狀態(tài)辨識七條規(guī)則，并采用AI算法加以轉(zhuǎn)化實現(xiàn)，建立狀態(tài)辨識模型，依據(jù)所采集的表征參數(shù)與證素的相關(guān)度進行狀態(tài)要素的提煉分析，彌補了臨床醫(yī)師經(jīng)驗水平參差不齊致使參數(shù)采集缺漏的影響，及傳統(tǒng)辨識方法以積分閾值為診斷基礎(chǔ)的單一性，提升了中醫(yī)診斷辨證的準確性與客觀性，并且給中醫(yī)健康管理帶來了重要的理論指導意義[47]。

中醫(yī)藥健康管理在以“健康”為主導的核心觀念下，開啟了關(guān)注生命全周期、健康全過程的現(xiàn)代中醫(yī)診斷新范式。從四診合參、辨證論治的整體思維出發(fā)，依托于云平臺、大數(shù)據(jù)的智能設(shè)備在不斷的推陳出新中與中醫(yī)理論結(jié)合得愈發(fā)緊密，云端數(shù)據(jù)平臺的建立為形成規(guī)范化數(shù)據(jù)資源共享，節(jié)約人工辨析的成本與時間，提升效率，精確管理提供了有力支持。

5 AI與中草藥現(xiàn)代化

我國幅員遼闊、地大物博，天然藥材資源豐富，為中草藥的發(fā)展提供了得天獨厚的條件，與中藥相關(guān)的文獻典籍更是車載斗量。自先秦時期古籍所載“神農(nóng)嘗百草”，到明代李時珍編撰《本草綱目》，今日的中藥學理論已然自成一體，并且細化出如中藥鑒定學、中藥化學及中藥藥理學等多種分支學科，這些學科的發(fā)展都與現(xiàn)代科學的進步密切相關(guān)。

5.1 規(guī)范化中藥炮制

中藥防治疾病的基本作用為祛邪扶正、固本培元，使機體恢復陰平陽秘的正常狀態(tài)。炮制是中草藥必經(jīng)的加工處理過程，如山羊角預處理的關(guān)鍵步驟——水解，然而，水解樣品的物理化學復雜性是水解過程中分析和監(jiān)測的挑戰(zhàn)。Xu Yan等首次報告了利用CNN開發(fā)基于在線拉曼光譜的定量校準模型，用于監(jiān)測山羊角水解過程，并與偏最小二乘校準模型比較，結(jié)果顯示前者性能優(yōu)于后者[48]。

5.2 客觀化中藥性能

中藥性能是中藥學理論的核心，包括四氣五味、歸經(jīng)、升降沉浮與毒性等。將AI技術(shù)應用于中藥藥性現(xiàn)代化研究領(lǐng)域可以進一步從科學角度闡釋中藥的作用機制，為中醫(yī)藥走向世界添柴加薪。Zhao Chen等為探索中草藥特性理論內(nèi)涵，對88種清熱藥與45種活血化瘀藥進行研究，檢測了兩類草藥的性味歸經(jīng)，采用傳統(tǒng)機器學習與深度學習等4種方法，并分別評估以確保其魯棒性。結(jié)果顯示深度學習在靈敏度、精密度、準確度、特異性方面均達到100%，表明深度學習在預測中草藥藥性時具有較好的泛化能力和準確性[49]。Yinyin Wang等與Yeh等也對中藥歸經(jīng)原理表現(xiàn)出興趣，在對草藥活性成分標記后，分別采用機器學習和CNN模型進行預測，結(jié)果均證明AI算法可以解釋草藥與經(jīng)絡(luò)之間的關(guān)系[50,51]。中藥歸經(jīng)與疾病歸經(jīng)緊密相關(guān)，歸經(jīng)以臟腑經(jīng)絡(luò)理論為基礎(chǔ)，以所治病證為依據(jù)，掌握歸經(jīng)，有助于提高臨床用藥的準確性。Chen的團隊進行了兩項中藥有效成分與疾病相關(guān)性的研究。在已知特異性酶與阿爾茨海默病、惡性腫瘤相關(guān)性的情況下，通過深度學習方法構(gòu)建預測模型，最終獲知有效成分與之相配最為穩(wěn)定的中草藥[52,53]。中藥的副作用是指在常規(guī)劑量下出現(xiàn)的與治療無關(guān)的不適反應。Yuanzhe Yao等為預知處方是否會導致藥物副作用而開發(fā)了一種基于本體的AI輔助藥物副作用的預測模型，由藥物、治療、AI輔助檢測三部分組成。建立人工神經(jīng)網(wǎng)絡(luò)并用方劑作為訓練集。結(jié)果表明該模型在AI輔助的藥物副作用預測中表現(xiàn)出良好的潛力，繼續(xù)擴大相關(guān)數(shù)據(jù)庫可進行更加深入的探索以提高預測的準確性[54]。

5.3 創(chuàng)新化中藥評價

中藥本身的質(zhì)量與種類也關(guān)系著臨床療效的基礎(chǔ)。Gang Bai等提出合理智能的質(zhì)量標記來制定中藥質(zhì)量評估策略。利用中藥材的獨特差異，篩選其中的化學標記物，依照AI算法進行基于質(zhì)量標記的系統(tǒng)分析測定，建立起整體質(zhì)量控制和可追溯性系統(tǒng)[55]。Chaoqun Tan等提出使用CNN對花椒種類進行識別的新思路?；诙喾N深度學習方法，同時評估CNN模型性能，最高識別精度達到99.35%[56]。除此之外，AI在核查用藥禁忌，高通量篩選藥物資源以及評估新藥有效性與安全性等方面均有助力[57]。

6 不足與展望

當前，日新月異的AI技術(shù)不斷在中醫(yī)藥領(lǐng)域的科技創(chuàng)新中嶄露頭角，然而與之相關(guān)的爭議問題也莫衷一是。中醫(yī)臨床診療信息是中醫(yī)藥大數(shù)據(jù)的根本來源，然而臨床資料的采集必然關(guān)乎患者的個人敏感信息，在數(shù)據(jù)隱私保護體系尚未完善的今日，如何在資料收集、存儲、管理及共享等一系列過程中使信息采集與隱私保護得以兩全，明確各個環(huán)節(jié)的權(quán)責歸屬是中醫(yī)藥現(xiàn)代化亟待解決的問題[58]。且從倫理角度觀之，AI目前處于弱智能階段，獨立意識尚未成形，無法以道德標準對其進行約束[59]，因此出臺相關(guān)政策法規(guī)勢在必行，加強監(jiān)管力度、限定使用范疇是對倫理道德及法律權(quán)益的保障。

AI為中醫(yī)藥現(xiàn)代化發(fā)展奠定科技基礎(chǔ)，而基于云端數(shù)據(jù)共享的AI算法更是不可或缺的一環(huán)。高質(zhì)量的醫(yī)療大數(shù)據(jù)賦能AI模型高水平化，促使中國醫(yī)療產(chǎn)業(yè)升級。其源于醫(yī)療單位電子病歷系統(tǒng)、醫(yī)療保險系統(tǒng)、疾病登記系統(tǒng)、公共衛(wèi)生調(diào)查與公共健康監(jiān)測、基因組學數(shù)據(jù)庫、出生/死亡登記數(shù)據(jù)庫以及移動設(shè)備端的數(shù)據(jù)等，在人們疾病防治、健康管理的過程中產(chǎn)生[60]。然而數(shù)據(jù)標準化的缺失使得規(guī)范化的信息數(shù)據(jù)庫難以形成，各系統(tǒng)間數(shù)據(jù)合并困難，數(shù)據(jù)孤島現(xiàn)象嚴重，實現(xiàn)數(shù)據(jù)共享更是舉步維艱。同時由于中醫(yī)癥狀體征與證候間的非單一線性關(guān)系，中醫(yī)辨證論治的思維體系更非定向的線性邏輯，所采集的臨床資料數(shù)據(jù)便涉及到復雜性、多維性和相對模糊性，由此帶來的數(shù)據(jù)分析障礙是制約中醫(yī)藥數(shù)字化發(fā)展的瓶頸所在。且目前所呈現(xiàn)的醫(yī)學AI相關(guān)成果多屬于診斷層面，使得臨床轉(zhuǎn)化應用進退維谷[61]。由此可見，制定統(tǒng)一的醫(yī)療數(shù)據(jù)采集標準，將數(shù)據(jù)采集、處理、分析過程全面整合規(guī)范，保持中醫(yī)診療個性化基礎(chǔ)上實現(xiàn)信息標準化，建設(shè)以交互聯(lián)通為核心原則的醫(yī)療大數(shù)據(jù)共享平臺是中醫(yī)藥現(xiàn)代化的必經(jīng)之路。

AI在我國中醫(yī)藥領(lǐng)域的起步稍晚，學科間的思想交流尚未深入，致使學科研究中尚存不易突破的技術(shù)難關(guān)，以成熟的AI設(shè)備輔助中醫(yī)臨床診斷治療與中藥產(chǎn)業(yè)成果轉(zhuǎn)化依然任重道遠。兼具中醫(yī)藥與AI背景的交叉型專業(yè)人才缺乏，使得融合AI技術(shù)的中醫(yī)藥智能設(shè)備所呈現(xiàn)的結(jié)果難以通俗地向大眾解釋其醫(yī)學與技術(shù)原理，對于取得使用者的信任存在考驗。中藥產(chǎn)業(yè)鏈各環(huán)節(jié)發(fā)展不均衡，工農(nóng)業(yè)資源整合不利是中草藥現(xiàn)代化亟需解決的問題。在理論模型建立后向中醫(yī)臨床以及中藥資源實用性產(chǎn)業(yè)轉(zhuǎn)化過程中，相關(guān)智能設(shè)備在真實診療環(huán)境中對于復雜數(shù)據(jù)的處理能力，輸出圖像的質(zhì)量差異以及使用者的配合程度都是智慧中醫(yī)藥產(chǎn)業(yè)鏈打造過程中需要著重考慮的要點。

隨著AI與醫(yī)療領(lǐng)域的融合不斷加深，AI技術(shù)在中醫(yī)藥范疇內(nèi)的應用方興未艾。數(shù)字化中醫(yī)四診，智能決策系統(tǒng)，中醫(yī)健康管理以及中藥理論現(xiàn)代化研究都取得了長足進展。智慧中醫(yī)的形成離不開大數(shù)據(jù)、云平臺以及互聯(lián)網(wǎng)的鼎力支持。而中醫(yī)藥大數(shù)據(jù)的典型特征是持續(xù)循環(huán)、動態(tài)處理、整體系統(tǒng)、價值可見[62]，從宏觀數(shù)據(jù)建立微觀聯(lián)系，從算法演變轉(zhuǎn)化認知信息，AI技術(shù)賦能中醫(yī)藥大數(shù)據(jù)形成收集-分析-診斷-治療的一體化現(xiàn)代中醫(yī)辨證思維策略。

從天人相應的整體觀念到辨證論治的思維體系，放眼中醫(yī)藥領(lǐng)域的未來，AI技術(shù)為中醫(yī)藥突破桎梏、打破壁壘，構(gòu)建以中醫(yī)理論為主體，以AI為載體的新時代中醫(yī)現(xiàn)代化診療模式持續(xù)助力。