人工智能在中醫(yī)舌診中的應用探討*

樊 威 李瀟瀟 丁江濤 杜 斌

舌診是中醫(yī)診法的特色之一，舌的變化迅速而又鮮明，凡臟腑的虛實、氣血的盛衰、津液的虧盈、病位的淺深、預后的好壞都能較為客觀地從舌象上反映出來。但舌診嚴重依賴主觀經(jīng)驗，又易受客觀環(huán)境影響，有研究通過10名中醫(yī)師對230例舌象的診斷結果分析，發(fā)現(xiàn)診斷完全一致的僅9例[1]。目前人工智能已經(jīng)在影像學領域取得較大進展，圖像識別技術日趨成熟，將人工智能技術應用到中醫(yī)舌診領域?qū)O大提高舌診的準確率。

1 人工智能在醫(yī)學領域的發(fā)展

人工智能在醫(yī)學領域的應用肇始于1974年成立的斯坦福大學醫(yī)學實驗計算機研究項目，該項目鼓勵人工智能嘗試應用于分子生物學、臨床醫(yī)療診斷和精神病學[2]，近年來隨著計算機設備的更新和互聯(lián)網(wǎng)技術的進步，人工智能得到快速發(fā)展，目前在醫(yī)學影像學和臨床診斷領域取得一定成果。

在過去絕大多數(shù)醫(yī)學影像圖片都是經(jīng)過影像學醫(yī)生肉眼判別、人工分析，人工讀片的缺點顯而易見：醫(yī)生個體經(jīng)驗有限，缺乏量化標準，容易造成誤判；肉眼識別不夠精確，不可避免地出現(xiàn)誤差；海量的影像信息容易漏診[3]。借助蟻群算法、人工神經(jīng)網(wǎng)絡、模糊集合等技術，人工智能在圖像分割、圖像配準、圖像重建等領域得到應用，幫助影像醫(yī)生提升讀片效率，降低誤診概率[4]。

伴隨著科學技術的發(fā)展，人工智能的另一重要分支——專家系統(tǒng)，在醫(yī)療領域起到的作用也越來越大。醫(yī)學專家系統(tǒng)是將大量醫(yī)學診斷知識導入計算機，然后模擬醫(yī)學專家的臨床診斷和治療思路，根據(jù)病情從知識庫中提取和綜合有價值的診斷線索，最終給出治療計劃。只要有足夠多的知識輸入到計算機中，計算機就可以相應地完成許多任務；但其能力僅限于輸入知識的范圍，如果我們想要擴展計算機的實用性及其處理特殊病例的能力，我們需要輸入海量知識，永無止境。

近年來出現(xiàn)的人工神經(jīng)網(wǎng)絡(ANN)是通過模仿人類腦神經(jīng)回路建立的信息處理系統(tǒng)。作為機器學習的重要分支，神經(jīng)網(wǎng)絡可以根據(jù)當時的環(huán)境狀態(tài)、信息特點自行調(diào)整，具有較高的自適應性；具有聯(lián)想記憶功能，能夠完成復雜的非線性映射。隨著人工神經(jīng)網(wǎng)絡的出現(xiàn)，專家系統(tǒng)擺脫了這種知識輸入“有限性”的問題，具備了學習、自組織、泛化及訓練的能力[5]。科大訊飛與清華大學聯(lián)合研發(fā)的人工智能機器人通過記憶理解大量醫(yī)學數(shù)據(jù)，在2017年國家執(zhí)業(yè)醫(yī)師考試中獲得456分的優(yōu)異成績，且每場考試用時不到20分鐘[6]。

2 舌象客觀化研究進展

2.1舌象客觀化技術在舌象客觀化研究中，大部分的學者都是延續(xù)傳統(tǒng)舌診的思路，通過圖像識別技術開展研究。丁成華等[7]就是利用Lab顏色空間，對舌象進行定性、定量分析及數(shù)據(jù)融合，研究各類舌象在顏色空間中的數(shù)據(jù)特征和分布特征。圖像識別和傳統(tǒng)舌診一樣，對光照環(huán)境有極高的要求，一旦輔助光源的色溫、顯色指數(shù)等發(fā)生變化，從舌象提取的色度學特征也會相應改變。但物體對光的反射率是物體的物理特性,與光源等因素無關。對此林凌等[8]提出了基于光譜的舌色客觀化方法，通過收集光源數(shù)據(jù)和舌色數(shù)據(jù)，計算各波長上相對于光源的反射率，最終得到歸一化反射率的數(shù)據(jù)。這種方法大大降低了對光源參數(shù)和采集方法的依賴性，但是由于設備繁雜，便攜性差，臨床推廣難度較大。以上研究均以二維圖像為基礎進行分析，由此獲得的舌象信息必然損失了齒痕、裂紋等三維特征，對此蔡軼珩等[9]提出了基于光度立體法的舌象三維重建，通過設置4個不同方向的光源，從同一視角拍攝多幅圖像來還原立體舌象。此方法簡便易行，可以求出舌體表面的法向量、紋理反射率和深度信息，更好地展示舌體的形態(tài)、紋理、齒痕等細節(jié)信息。

2.2舌象采集方法為避免外界光線環(huán)境影響，大部分研究都會設置暗箱，沈蘭蓀等[10]設計了球形漫反射暗箱，照明光從積分球式箱體的開孔入射,經(jīng)積分球內(nèi)壁多次漫射,可在被攝舌體上產(chǎn)生更加均勻的光照。由于患者每次伸舌姿勢都有細微差別，為提高采集設備的可重復性，呂元婷[11]設計了一套自動采集系統(tǒng)，在伸舌到位、舌根暴露完全時自動拍攝；并且每次都開啟連拍模式，這樣可以避免因舌體不自主的抖動產(chǎn)生的模糊。在光源的選擇上，傳統(tǒng)的舌診要求在充足且柔和的自然光線下觀察舌象，但其實在不同季節(jié)、時間、天氣自然光線下會發(fā)生很大變化[12]，因此大部分研究均設置了人工光源。國際照明委員會提出了模擬典型日光的標準照明體D65，但是它的光譜能量分布在目前還不能由人造光源準確地實現(xiàn)。石強[13]在研究中設置標準光源D50，經(jīng)過對比發(fā)現(xiàn)與傳統(tǒng)自然光線下舌象診斷的一致性可以達到90%以上。沈蘭蓀[10]在研究中設置了兩種光源，使其舌診儀同時具備了鹵鎢燈光譜連續(xù)、高顯色性和閃光燈合適的色溫的優(yōu)點。呂元婷[11]根據(jù)常見舌象顏色分布特點，使用綠色光照明以提高舌質(zhì)舌苔分離與點刺識別效果，她認為這種光源照明能提高舌質(zhì)、舌苔、點刺在圖像中的差異度。在光源的設置上，吳祖春[12]認為舌象采集時拍攝距離小,閃光燈的光線很容易被鏡頭和上齒遮擋,而使舌頭受光不均,對此他提出在舌象采集中使用環(huán)形閃光燈來改善拍攝環(huán)境。自然光源的色溫見表1。

表1 自然光源的色溫

2.3舌象圖片預處理

2.3.1圖像校正由于目前還不能完全模擬出標準光源下的光照環(huán)境，不同人工光源受色溫、顯色性、光譜連續(xù)性等因素制約，必然會產(chǎn)生色差。色差是指兩種顏色給人色彩感覺上的差別,主要與光源條件、圖像采集設備兩個因素有關[14]。因此有必要對所在光照環(huán)境進行觀測，研究人工光源色溫、照度與色差的關系，建立色差校正方法。硬件校正是指在圖像采集前，手動調(diào)整白平衡，消除拍攝設備的色彩問題。軟件校正是指將色卡置于拍攝對象一側同時拍攝，后期使用軟件對圖像進行數(shù)字化修正。許家佗[15]認為硬件校正需要根據(jù)光照環(huán)境的變化不斷手動白平衡，而軟件校正不僅色彩還原準確，且臨床采集更為便捷，利于實際操作。沈蘭蓀[10]對舌象顏色分布分析后，發(fā)現(xiàn)舌體顏色在色彩空間僅分布于較小的范圍，由此他提出“感興趣色域”這一概念，即只在感興趣的色域范圍分布回歸控制點，以計算回歸參數(shù)。結果表明，舌色的校正精度有所提高。

2.3.2圖像去噪研究中采集的舌象圖片不可避免地產(chǎn)生很多噪聲，對于后續(xù)的圖像分析造成很大干擾，所以有必要對圖片進行去噪處理。中值濾波是最經(jīng)典的平滑噪聲的方法，它將每一像素點的灰度值設置為該點某鄰域窗口內(nèi)的所有像素點灰度值的中值。張翔等[16]認為中值濾波是一種非線性平滑技術，在去噪的同時能夠有效保護圖像的邊緣信息，是舌象圖片處理中較好的去噪方法。呂元婷[11]認為中值濾波是一種適用灰度圖像的平滑方法，需要將舌象圖片轉化為灰度圖像再進行處理，而均值漂移法則可以直接應用于彩色圖像。由于均值漂移算法是一種基于密度梯度上升的非參數(shù)方法，不僅計算量小，而且處理效果更好。

2.3.3舌體分割去除采集圖片中的臉部、嘴唇、牙齒等部分是舌象研究的重要步驟：早期研究中趙忠旭等[17]將圖像轉換到HIS空間，根據(jù)H分量進行二值化，即利用圖像中各部分亮度差異進行閾值分割；由于舌體和嘴唇位置接近，且顏色、亮度、紋理相似，閾值分割時易將上唇錯誤地歸入舌體部分，對此劉關松等[18]通過標記圖像像素，對閾值分割進行了改良，但舌體邊緣仍不夠平滑連續(xù)；為調(diào)和上層知識和底層圖像特征矛盾——為了同時保證分割精準度和舌體邊緣平滑度，王艷清[19]使用Snakes模型進行分割，Snakes模型是一條可變形的參數(shù)曲線，以最小化能量函數(shù)貼近目標輪廓；由于Snakes模型對初試輪廓要求較高，Jain、Pang、覃武星等[20～22]對Snakes模型進行了改良。除此之外，孫煬等[23]還提出一種基于分裂-合并方法的分割算法,王郁中等[24]首先基于顏色和紋理對舌象圖片進行初分割，然后基于色度參數(shù)建立舌體匹配模板，最終將匹配區(qū)域進行合并，完成舌體分割。

2.3.4舌質(zhì)舌苔分割為更好地對舌象特征分析，需要將舌質(zhì)、舌苔進行分割，目前國內(nèi)質(zhì)苔分離的研究主要使用閾值分割和聚類分割兩種方法。閾值分割是目前最常見的分割方法，由于舌質(zhì)和舌苔在圖像上表現(xiàn)出不同的灰度級別，可以根據(jù)直方圖出現(xiàn)的雙峰設定閾值，實現(xiàn)舌質(zhì)、舌苔分割。但是當舌苔呈點片狀時，單一閾值分割效果較差。對此陳海燕等[25]提出了一種多色彩通道擇優(yōu)動態(tài)確定閾值的雙峰分離法，對舌象圖片R、G、B、H、S、V多個色彩通道，根據(jù)直方圖雙峰進行二值化，設定動態(tài)閾值進行分割。但該方法是根據(jù)分布位置和面積判定舌質(zhì)與舌苔，當舌質(zhì)與舌苔面積相差較大時容易產(chǎn)生誤判。陳海燕等[25]認為可以引入色彩這一先驗知識，根據(jù)各部分分布位置、面積大小并結合顏色的不同判定舌質(zhì)舌苔，提高識別準確性。聚類分割是根據(jù)類間相似性將不同類別進行分離，是一種無監(jiān)督的分割方法。劉峰等[26]將k-means聚類分析用于分割舌質(zhì)舌苔，對所采集圖片的RGB值作為分類對象進行聚類分析。根據(jù)舌質(zhì)、舌苔顏色特征不同，選取R值占RGB值的比例來判定分割出的部分屬于舌質(zhì)還是舌苔。由于聚類分析不需要提前確定閾值，因此對舌苔變化較大的圖像有更強的適應性。

舌診客觀化研究流程見圖1。

圖1 舌診客觀化研究流程

2.4舌象特征分析

2.4.1舌質(zhì)顏色分析傳統(tǒng)中醫(yī)一般將舌質(zhì)顏色分為淡紅、淡白、紅、絳、青紫五種，而舌象客觀化研究中則使用圖像識別技術對舌質(zhì)顏色進行分類判別。丁成華等[7]利用Lab顏色空間，對各類舌象L、a、b值進行了統(tǒng)計，并比較了各類舌象色度學特征。吳祖春[12]的研究中對比了瘀血組、非瘀血組、健康對照組舌質(zhì)顏色的L、a、b值，發(fā)現(xiàn)存在差異。林銘銘[27]將舌面分為7個區(qū)域，其中舌質(zhì)5個區(qū)域，舌苔2個區(qū)域，在研究中對陽虛質(zhì)和平和質(zhì)的舌象分區(qū)域比較R、G、B、R/B、G/B、R/G值，結果發(fā)現(xiàn)2組人群的G/B值≈1，所以2組人群的舌體顏色主要由R(紅色)決定，經(jīng)比較發(fā)現(xiàn)平和質(zhì)組的R值較陽虛質(zhì)組更大，說明紅色程度更高，這與傳統(tǒng)的中醫(yī)理論相吻合。

2.4.2舌質(zhì)形態(tài)分析舌質(zhì)形態(tài)主要包括舌的點刺、裂紋、齒痕等。林銘銘[27]在研究中對平和質(zhì)組和陽虛質(zhì)組的點刺、瘀斑點、齒痕進行比較，結果2組舌象在齒痕方面存在顯著差異。呂元婷[11]發(fā)現(xiàn)相比白色光照環(huán)境，舌面點刺在綠色光照環(huán)境下與舌苔顏色差異更顯著，點刺識別的準確率在74.5%左右，且舌中、舌根等舌苔附著的區(qū)域識別率更高。蔡軼珩等[9]使用的光度立體法可以較好地重建出物體表面形狀和齒痕等信息，對舌質(zhì)形態(tài)的分析有較高的使用價值。

2.4.3舌苔顏色分析舌苔按顏色分主要包括白苔、黃苔、灰黑苔，謝濤[28]首先將舌苔RGB顏色空間轉換成HSL顏色空間，提取L分量(明度)作為分類依據(jù)：灰黑苔(L≤20)；黃苔(2065)。許家佗等[15]利用Lab顏色空間，對395例舌象進行定量分析統(tǒng)計發(fā)現(xiàn)，白苔和黃苔L值的差異沒有統(tǒng)計學意義，白苔a值大于黃苔，白苔b值小于黃苔。

2.4.4舌苔形態(tài)分析舌苔形態(tài)主要是指舌苔的厚薄、潤燥。唐榮生[29]在研究中發(fā)現(xiàn)舌苔越厚，視覺上越粗糙，因此可以將舌苔看成紋理圖像，并使用Gabor小波變換提取特征。舌苔的潤燥是由舌苔表面的含水量決定的，當含水量較多時會在圖片上形成亮斑區(qū)，謝濤[28]通過識別這些亮斑區(qū)實現(xiàn)對舌苔的潤燥分析。研究中根據(jù)亮斑面積及亮度定義了潤燥系數(shù)；還以潤燥程度將舌苔分為滑苔、潤苔、燥苔、燥裂苔，結果除燥裂苔識別率在86.4%以外，其他三類識別率均達到了90%。

3 人工智能在舌診應用中的臨床意義

舌診作為中醫(yī)臨床一種非侵入式診察手段，有相當完備的理論體系，在中醫(yī)診療過程中具有重要地位，通過人工智能技術可以很好地避免臨床醫(yī)生主觀判定的弊端，為臨床診療服務。目前大部分研究[30～33]都是通過提取研究組和對照組的舌象的RGB值，分析各組舌象色度學上是否存在差異。李圣春[34]根據(jù)RGB值推導并定義了舌色標值H這一概念，H值從大到小能夠描述舌質(zhì)從淡紅舌、紅色、暗紅色、紫暗到青紫色的漸變趨勢。但文中并沒有詳細介紹舌色標值H如何推導。葉永安等[35]通過標準化采集1003例慢性乙型肝炎患者的舌象，總結了慢性乙型肝炎患者舌象分布特點，分析了舌象分布于慢性乙型肝炎中醫(yī)證候的相關性，比較了肝郁脾虛證和肝膽濕熱證的舌象特點。

4 機遇與挑戰(zhàn)

目前中醫(yī)舌診客觀化研究與中醫(yī)藥臨床相脫節(jié)，中醫(yī)學者的研究多數(shù)是通過比較研究組和對照組舌象，簡單得出2組舌象在色度學存在差異的結論；而理工專業(yè)的學者更多專注于圖像識別技術領域，缺乏中醫(yī)藥理論的指導，對于輔助臨床診斷意義有限。中醫(yī)藥人工智能現(xiàn)代化研究需要多學科合作，需要中西醫(yī)專家和數(shù)學、物理學、計算機領域的人才通力合作才能完成。

2016年谷歌研發(fā)的AlphaGo橫掃全球圍棋高手，讓人類對未來的智能生活無限向往，中國互聯(lián)網(wǎng)的標桿企業(yè)BAT都已開始人工智能的布局[36]。并且這三家企業(yè)都開發(fā)了人工智能的開放平臺，為普通民眾提供語音技術、圖像技術、數(shù)據(jù)智能等服務。其中阿里提供的ET醫(yī)療大腦已經(jīng)應用于醫(yī)學影像、精準醫(yī)療、藥效挖掘、新藥研發(fā)、健康管理等領域；而百度的開放平臺支持個性化定制，且門檻較低，操作簡單。我們可以利用現(xiàn)有舌象客觀化研究的成果，借助人工智能開放平臺實現(xiàn)舌象智能分類等更具臨床實際意義的功能，讓現(xiàn)代化技術服務中醫(yī)，也讓古老的中醫(yī)在科技時代再煥光彩。