人工智能在中医药临床应用的研究现状与思考展望

人工智能(artificial intelligence，AI)旨在研究、开发应用技术用于模拟、延伸和扩展人的智能｡其中，机器学习(machine learning，ML)是AI的一个子集，可以通过不断训练从大型数据集中发现模式和相关性，再根据分析结果做出最佳决策和预测，在医学中应用最为广泛｡20世纪70年代，第一个中医专家系统由中国科学院与北京市中医院合作研发，标志着中医诊断信息智能化研究的开始｡进入21世纪，AI与中医临床诊疗快速融合，在数据挖掘、辅助诊断、决策治疗等方面得以开发和应用，已经成为中医药创新发展的新思路、新方法｡

然而，在实际临床过程中能否准确应用AI技术推衍疾病的发生发展过程，提供准确的诊疗决策是值得进一步关注的问题｡基于此，本文从AI在中医临床诊疗领域的应用现状出发，从数据处理、症状信息的采集分析以及AI模型的选择与可解释性方面提出AI与中医临床诊疗技术融合发展存在的问题及其解决策略，以期为AI更好地赋能中医药提供参考｡

一、AI技术在中医药临床应用的现状

1.针对古籍等文献资料的数据挖掘

古代经典著作中记载着方剂组成、临床医案等海量的数据资料，AI技术可利用对不同类型数据进行特征分析，挖掘其隐藏规律，以更科学的方式表达中医药知识｡陈灿宇等从《伤寒论》中提取症状和中药信息，建立卷积神经网络模型提取信息特征来研究两者的内在联系｡有研究以《中华本草》和《中华人民共和国药典》为参考，提出一种基于图神经网络的多层信息融合及知识驱动的中医处方推荐模型，结果表明该模型预测精确率较好｡

另外，名老中医经验及临床病历等电子化资料中同样蕴含着丰富的“病-证”诊疗信息和临床治病经验，结合AI技术可提供临床决策建议｡有研究以2436例真实世界的胃痛电子病例为例，构建反向传播神经网络用于智能区分胃痛的中医证候，结果表明准确率可达95%｡有研究以国医大师周仲瑛治疗肺癌患者的临床记录为数据集，利用深度学习的多标签分类方法可以更好地模拟肺癌的辨证分型｡

2.名老中医经验等知识图谱的构建

知识图谱可通过对海量数据的整合归纳来以图形化形式呈现不同数据之间的关系，使得各种知识更为直观清晰｡名老中医在理论和临床实践中均积累了丰富独到的知识经验，有必要进一步地学习传承及发扬｡徐安迎等以名老中医治疗肺癌医案为例，基于Neo4j图数据库构建知识图谱，实现知识的可视化展示与语义搜索等功能｡王群等将144位名老中医的643例医案数据导入Neo4j图数据库以有助于名老中医治疗冠心病过程的可视化，直观地展示病
症-证-治-方-药之间的关系｡

中医药经典古籍、名老中医及各大医院等文献资料是取之不尽、用之不竭的知识宝库，利用数字化方法将资料进行归纳整理，可最大程度地实现信息共享，让临床经验“看得见，用得着”｡

3.中医智能辅助诊疗技术的实现

3.1对患者症状信息的智能采集与识别

目前，AI技术已开发出舌诊仪、脉诊仪、色诊仪等辅助诊疗仪器来模拟中医临床诊疗的“望闻问切”｡颜建军等通过卷积神经网络的多层卷积计算，实现对脉象信号特征的自学习并分类，使其具有分辨不同脉象类型的能力｡有研究者构建深度卷积神经网络来识别有齿痕的舌头，另有研究利用深度学习算法来识别所采集人群的面部图像的关键点以及自动切割感兴趣的区域以提取面部特征并进行分类识别｡

临床信息的获得往往偏向主观直觉，辨证时也可能由于缺乏经验等产生误解｡基于AI技术辅助检测/诊断系统处理后的分类医疗影像，能够更加定量化、规范化、客观化四诊信息，进一步增强辨证论治的准确性｡

3.2对临床治疗方法的智能模拟与操作

针灸在临床实践上的显著疗效充分证明了其科学性和有效性，在国际上广受欢迎｡徐天成等研发出“数字经络——智能针灸机器人系统”｡李树佳采用深度相机视觉建模方法和机器人轨迹规划方法开发中医热敏灸机器人来自动执行施灸动作｡但现阶段机器人臂的设计、控制系统的安全性和稳定性等仍需合理规划｡

4.中药的质量管控与新药研发

中药饮片的质量优劣是关乎临床疗效的关键，而传统的中药质量控制技术存在着周期长、效率低、主观性强等缺点，无法满足中药饮片产业的快速发展｡电子舌、电子鼻及电子眼等AI感官技术为中药饮片的性状、炮制工艺及程度提供了更为客观准确的评价方法｡章宇珍等验证了一种基于颜色特征和支持向量机的炒焦栀子炮制程度检测方法，可以高效计算栀子的颜色特征并识别炮制程度｡田瀚举等将红外光谱技术与卷积神经网络等深度学习算法相结合建立了牛膝炮制品类别与炮制程度的定性判别模型｡此外，从药材到饮片、饮片到中间体、中间体到成品的质量控制体系的建立，通过AI技术实现了生产过程的实时监测｡

中药药效物质基础是临床遣方用药和创新应用的基础｡与AI相结合的网络药理学可充分表达人类表型网络、生物网络及中西药物网络之间的复杂关系，广泛用于中药活性成分筛选、中药配伍机制探索及多成分、多靶点的作用机制阐释｡

5. 中医智能健康管理系统研发与应用

AI技术还可广泛采集健康、亚健康及病患人群的信息，为民众提供健康指导｡智能手环、智能眼镜等穿戴形式的设备已普及应用｡有研究结合深度神经网络技术和大数据分析技术，开发出中医云健康平台｡此外，中医药AI还可为慢性疾病患者或老年群体提供更好的干预措施｡

二、AI技术在中医药临床应用的瓶颈与解决策略

1.文献或实验数据的处理

中医药临床数据浩如烟海，从中筛选出符合研究目的且可靠有效的数据供进一步的开发应用，是AI技术与中医诊疗技术融合的首要任务｡对于中医诊疗数据而言，由于绝大部分临床信息、方剂组分等医疗记录均以自然语言本文的形式出现，需优先考虑如何用编码或算法将非结构化数据转换成计算机语言，让机器能够理解文本语义｡

同时，中医诊疗数据呈现出不规则的特点，描述同种病证或处方信息的语言具有差别性｡目前数据处理方法仍处于“小数据”阶段，基本是小范围的“各家之言”，未形成合理通行的客观化“大数据”标准，因此，采用统一的标准处理数据、精简规范数据的表述，构建标准化数据库是当前面临的最核心问题｡

2.症状信息的采集与分析

如前所述，临床数据采集的相关设备已有应用｡经系统检索文献发现，多项研究表明不同型号规格的舌诊仪、脉诊仪的判断能力还需进一步验证；与此同时，“四诊合参”是中医临床诊断的基本原则，信息的正确获取及整合已成为建立智能诊疗数据库的关键，但相关整合技术尚未完善｡可见，数据获取的准确性、可靠性及稳定性还有待加强｡

加之，现有AI模型已不再停留于IF-THEN语句的使用，而是选择更能够模拟人脑决策的深度学习方法，该类算法可从数据中提取个性化特征并总结出模式以获取较高的预测性准确率｡但是，相对应的智能诊疗技术尚处于发展突破阶段｡

3. AI模型的选择及可解释性

目前广泛使用的机器学习模型包括支持向量机(support vector machine，SVM)等传统机器学习方法及卷积神经网络(convolution neural networds，CNN)等深度学习算法｡关于AI模型的选择，首先需考虑数据的质量和数量是否匹配模型的处理需求，其次需根据任务的类型和复杂程度选择合适的模型，最后需根据实际情况考虑不同模型的计算需求及处理效率｡

AI技术的日益发展使得模型的可解释性备受关注，而可解释性的缺乏导致了安全性和可信度的缺失，影响深度学习的进一步拓展应用｡为了缓解这一问题，可以建立内在解释性，即内嵌自解释性较好的机器学习分类器辅以注释来组成混合模型；或将模型视为透明过程，以专家知识或文本的形式对结构参数解释、分析；或将模型视为一个不可知的整体，对输入值与输出值的相关性分析后进行局部解释｡

三、思考与展望

中医药学内涵丰富，包含理论体系、诊断方法、治疗手段及药物资源及其互动关系｡中医药学具有非线性、系统性、动态性及规模性等特征，是一种复杂性科学系统｡兴起于20世纪80年代的复杂性科学，以超还原论为方法论来解释和揭示系统的运行规律，是一种新兴的科学研究形态｡因此，对中医药学的研究可整合经典的整体论和新兴的还原论，发挥各自所长，创造新的方法｡

日趋成熟的AI技术为中医药的创新发展提供了新思路｡从技术角度而言，AI强大的数据处理能力可快速分析大量数据文本，探索出中医体系中深层次的规律；AI模型的自适应学习能力可自主寻找规律并能通过调节参数等方式不断更新和完善，发现新知识｡从实践应用的角度来看，AI的智能化辅助诊疗可提高临床诊断能力，并可通过大数据采集、计算、推衍等对民众进行实时健康管理｡集成AI技术的临床决策支持系统已处于研究阶段，未来，AI技术必将成为中医药领域研究的新助力，激发中医药学的巨大潜力，在数据挖掘、中医诊疗及新药开发等方面发挥重要作用｡