神經(jīng)網(wǎng)絡(luò)在中醫(yī)領(lǐng)域應(yīng)用的文獻(xiàn)計(jì)量與圖譜分析*

匡文軒，周婉珠，晏峻峰

（湖南中醫(yī)藥大學(xué)，湖南 長(zhǎng)沙 410208）

中醫(yī)與現(xiàn)代化技術(shù)結(jié)合是國(guó)家提出的一個(gè)長(zhǎng)久課題[1]。中醫(yī)與信息化技術(shù)結(jié)合，能夠完善中醫(yī)診斷，從而為醫(yī)生提供輔助治療、臨床決策。而在信息化技術(shù)中，神經(jīng)網(wǎng)絡(luò)在中醫(yī)領(lǐng)域是一個(gè)很好的輔助技術(shù)。近年來(lái)有很多學(xué)者將神經(jīng)網(wǎng)絡(luò)運(yùn)用在中醫(yī)領(lǐng)域，并取得了一定的成果。CiteSpace[2]是基于JAVA語(yǔ)言開發(fā)的文獻(xiàn)數(shù)據(jù)挖掘和可視化軟件。CiteSpace由美國(guó)德雷克塞爾大學(xué)（Drexel University）陳超美自主研發(fā)設(shè)計(jì)[3]。它的本質(zhì)主要是采用傳統(tǒng)尋徑網(wǎng)絡(luò)來(lái)對(duì)特定領(lǐng)域的文獻(xiàn)數(shù)據(jù)進(jìn)行計(jì)量分析，聯(lián)合社會(huì)網(wǎng)絡(luò)分析、聚類分析等方法繪制可視化圖譜，對(duì)某個(gè)領(lǐng)域的發(fā)展趨勢(shì)及演化機(jī)制進(jìn)行總結(jié)。

本研究利用CiteSpace軟件對(duì)神經(jīng)網(wǎng)絡(luò)在中醫(yī)領(lǐng)域應(yīng)用的文獻(xiàn)進(jìn)行計(jì)量與可視化分析，探索在該領(lǐng)域已經(jīng)取得的成果，并且發(fā)現(xiàn)其不足，旨在為促進(jìn)其應(yīng)用提供更好的理論支持，也為其未來(lái)的發(fā)展指明更加清晰的方向。

1 資料與方法

1.1 數(shù)據(jù)收集 數(shù)據(jù)來(lái)源為中國(guó)知網(wǎng)（CNKI）及萬(wàn)方數(shù)據(jù)庫(kù)，檢索范圍為期刊論文、碩士學(xué)位論文、博士學(xué)位論文、國(guó)內(nèi)會(huì)議論文、國(guó)際會(huì)議論文，檢索主題為“中醫(yī)并含神經(jīng)網(wǎng)絡(luò)”，檢索式為“SU=神經(jīng)網(wǎng)絡(luò)+中醫(yī)”，檢索時(shí)間：1980年1月至2020年5月。排除重復(fù)文獻(xiàn)、文獻(xiàn)信息不全及內(nèi)容與檢索主題不相關(guān)的文獻(xiàn)。最終從數(shù)據(jù)庫(kù)共檢索到832篇文獻(xiàn)，去除不符合要求的文獻(xiàn)22篇，最終得到文獻(xiàn)810篇。

1.2 分析方法 將篩選清洗之后的文獻(xiàn)按CiteSpace所需要的refworks格式導(dǎo)出，并按要求命名，運(yùn)用CiteSpace V5.2進(jìn)行發(fā)文數(shù)量、合作研究機(jī)構(gòu)、突現(xiàn)詞、關(guān)鍵詞等分析，由于檢索得到的文獻(xiàn)時(shí)間為1980—2020年，故在軟件中將時(shí)間切片設(shè)為1980—2020年，每間隔設(shè)置為1年，其他的為默認(rèn)值，網(wǎng)絡(luò)裁剪為None。

2 結(jié) 果

2.1 文章數(shù)量分析 有關(guān)中醫(yī)神經(jīng)網(wǎng)絡(luò)主題的文章在1980—2019年之間發(fā)文量雖然有波動(dòng)，但總體呈波浪式增長(zhǎng)，所以從大體趨勢(shì)來(lái)看，也可以推測(cè)2020年有關(guān)中醫(yī)神經(jīng)網(wǎng)絡(luò)的文章還會(huì)平穩(wěn)增長(zhǎng)。在2002年之前，該主題的發(fā)文量較少（＜10），由此可以得知在2002年之前有關(guān)神經(jīng)網(wǎng)絡(luò)與中醫(yī)主題的研究并不多。隨后在2002—2007年，出現(xiàn)了一個(gè)小高峰，可以得知隨著計(jì)算機(jī)技術(shù)的發(fā)展，中醫(yī)與計(jì)算機(jī)的融合也越來(lái)越密切，中醫(yī)的傳承與發(fā)展有了新的途徑。2008—2015年，出現(xiàn)了波浪式的發(fā)展，這可能是在探索新的神經(jīng)網(wǎng)絡(luò)與中醫(yī)結(jié)合的方法。2016—2019年，文獻(xiàn)的發(fā)文量持續(xù)增加，說(shuō)明神經(jīng)網(wǎng)絡(luò)等計(jì)算機(jī)技術(shù)在中醫(yī)研究中發(fā)揮了越來(lái)越大的作用。（見圖1）

圖1 1980—2019 年文章數(shù)量趨勢(shì)圖

2.2 作者分析 對(duì)作者進(jìn)行分析得到表1、圖2，連線的顏色代表作者合作時(shí)間距今的遠(yuǎn)、近，淺色調(diào)代表的是近，深色調(diào)代表的是遠(yuǎn)。中心位置為該領(lǐng)域發(fā)文比較多的作者，周圍是與之合作的作者。在中醫(yī)神經(jīng)網(wǎng)絡(luò)主題方面，共有108位作者發(fā)表了文章，發(fā)文量排前10的是胡金亮（15篇）、王永炎（12篇）、李建生（10篇）、王憶勤（9篇）、孫貴香（8篇）、賀娟（7篇）、韋玉科（7篇）、袁肇凱（7篇）、燕海霞（7篇）、謝雁鳴（6篇）。從作者合作的角度來(lái)看，合作網(wǎng)絡(luò)圖最大的是以胡金亮為中心的團(tuán)隊(duì)，隨后是王憶勤、郭睿、燕海霞，然后是謝雁鳴、張明雪、曹洪欣、翁維良，還有袁肇凱、孫貴香等，可以得知他們合作密切。同時(shí)早期的研究主要是胡金亮團(tuán)隊(duì)，最近的研究主要是王憶勤團(tuán)隊(duì)。

表1 作者發(fā)文量

圖2 作者分析圖譜

2.3 機(jī)構(gòu)分析 對(duì)機(jī)構(gòu)進(jìn)行分析，發(fā)現(xiàn)有52所機(jī)構(gòu)，連線31條，得到表2、圖3、圖4。圖中色調(diào)表示的含義與作者分析的色調(diào)一致，機(jī)構(gòu)之間的連線代表他們之間存在合作關(guān)系，節(jié)點(diǎn)大小為機(jī)構(gòu)在發(fā)文記錄中出現(xiàn)的次數(shù)。圖3顯示，在研究中醫(yī)神經(jīng)網(wǎng)絡(luò)主題方面，共有52所研究機(jī)構(gòu)，發(fā)文記錄出現(xiàn)次數(shù)較多的機(jī)構(gòu)有：河南中醫(yī)學(xué)院老年醫(yī)學(xué)研究所（10次）、北京中醫(yī)藥大學(xué)（10次）、成都中醫(yī)藥大學(xué)（9次）、中國(guó)中醫(yī)科學(xué)院（9次）、上海中醫(yī)藥大學(xué)（8次）、長(zhǎng)江師范學(xué)院物理學(xué)與電子工程學(xué)院（5次）、北京中醫(yī)藥大學(xué)基礎(chǔ)醫(yī)學(xué)院（5次）、中國(guó)中醫(yī)研究院（5次）、遼寧中醫(yī)藥大學(xué)（4次）等。在圖3的基礎(chǔ)上，加上時(shí)間線圖分析得到圖4，可以得知機(jī)構(gòu)之間的合作大多是地域相同或者較近之間的機(jī)構(gòu)合作，在早期研究該領(lǐng)域的機(jī)構(gòu)是中國(guó)中醫(yī)研究院及河南中醫(yī)學(xué)院老年醫(yī)學(xué)研究所，最近研究的機(jī)構(gòu)是成都中醫(yī)藥大學(xué)附屬醫(yī)院。

圖3 機(jī)構(gòu)分析圖譜（1）

圖4 機(jī)構(gòu)分析圖譜（2）

表2 研究機(jī)構(gòu)發(fā)文次數(shù)

2.4 關(guān)鍵詞分析 對(duì)關(guān)鍵詞進(jìn)行分析，共有171個(gè)節(jié)點(diǎn)，連線505條，見表3、圖5。色調(diào)表示的含義與作者分析的色調(diào)一致。網(wǎng)絡(luò)中節(jié)點(diǎn)位置為被關(guān)注程度。中心性較大的關(guān)鍵詞有：神經(jīng)網(wǎng)絡(luò)（0.51）、人工神經(jīng)網(wǎng)絡(luò)（0.32）、中醫(yī)（0.28）、BP神經(jīng)網(wǎng)絡(luò)（0.20）、數(shù)據(jù)挖掘（0.19）、中醫(yī)證候（0.17）、深度學(xué)習(xí)（0.12）、中藥（0.12）、聚類分析（0.10）、證候（0.07）、冠心?。?.06）、舌診（0.05）、證候要素（0.04）、卷積神經(jīng)網(wǎng)絡(luò)（0.03）。出現(xiàn)詞頻較大的為神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、人工神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、中醫(yī)證候、模式識(shí)別、中藥、證候、舌診、冠心病，從關(guān)鍵詞的中心性及詞頻可以得知這些關(guān)鍵詞即為中醫(yī)神經(jīng)網(wǎng)絡(luò)領(lǐng)域研究的熱點(diǎn)及方向。

表3 關(guān)鍵詞中心性

圖5 關(guān)鍵詞分析圖

2.5 關(guān)鍵詞突現(xiàn)性分析 突現(xiàn)性是指在某一時(shí)間段內(nèi)出現(xiàn)的強(qiáng)度，強(qiáng)度越大，對(duì)應(yīng)的關(guān)鍵詞在某一時(shí)段內(nèi)的影響力也越強(qiáng)，也能得知該時(shí)間段的研究重點(diǎn)。對(duì)關(guān)鍵詞突現(xiàn)性進(jìn)行分析，發(fā)現(xiàn)了9個(gè)突現(xiàn)詞，分別是模式識(shí)別、脈象信號(hào)、神經(jīng)網(wǎng)絡(luò)、舌診、證候、數(shù)據(jù)挖掘、BP神經(jīng)網(wǎng)絡(luò)、決策樹、深度學(xué)習(xí)。其中，突現(xiàn)強(qiáng)度最大的為證候，從這里得知神經(jīng)網(wǎng)絡(luò)在中醫(yī)領(lǐng)域的研究中證候、證型方向研究得比較多，從最近、最新的年份來(lái)看，也可以得知深度學(xué)習(xí)是最近該領(lǐng)域的主要熱點(diǎn)。（見圖6）

圖6 關(guān)鍵詞突現(xiàn)性探討

2.6 聚類及時(shí)間線圖分析 對(duì)關(guān)鍵詞進(jìn)行聚類，共出現(xiàn)120個(gè)節(jié)點(diǎn)，連線303條，Q值為0.565 5，S值為0.520 3。模塊性值與輪廓值都大于0.5，說(shuō)明聚類合理。8個(gè)代表性聚類標(biāo)簽分別是決策樹、冠心病、舌診、六氣、深度學(xué)習(xí)、脈象、中醫(yī)證候診斷、中醫(yī)證候。（見圖7）

圖7 關(guān)鍵詞聚類圖

圖8為神經(jīng)網(wǎng)絡(luò)在中醫(yī)領(lǐng)域的關(guān)鍵詞聚類時(shí)間線圖，每一個(gè)聚類在圖中所顯示的即為每一行，聚類標(biāo)簽表示為“#”。坐標(biāo)軸靠左表示距今比較遠(yuǎn)，靠右表示距今比較近，每一條坐標(biāo)軸下面的關(guān)鍵詞代表著這個(gè)聚類相關(guān)的研究?jī)?nèi)容，以及研究主題隨著時(shí)間的演變規(guī)律。

圖8 關(guān)鍵詞聚類時(shí)間線圖

聚類“#0決策樹”里有關(guān)聯(lián)規(guī)則、BP網(wǎng)絡(luò)等數(shù)據(jù)挖掘常用的算法，應(yīng)用在中醫(yī)按摩機(jī)器人、中醫(yī)體質(zhì)預(yù)測(cè)模型上。聚類“#1冠心病”常用的算法為共軛梯度算法，主要分析其證候、證素及用藥規(guī)律。聚類“#2舌診”主要運(yùn)用了模糊神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)算法，另外專家系統(tǒng)也參與其中。聚類“#3六氣”主要是將中醫(yī)的五運(yùn)六氣與現(xiàn)代氣象結(jié)合，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)分析其之間聯(lián)系。聚類“#4關(guān)系抽取”涉及了人工智能、深度學(xué)習(xí)等。聚類“#5脈象”主要有模式識(shí)別、脈搏波、特征選擇等方法。聚類“#6中醫(yī)證候診斷”和聚類“#7中醫(yī)證候”主要是針對(duì)疾病的中醫(yī)證候進(jìn)行探討，包括運(yùn)用比較多的因子分析、聚類分析、隨機(jī)森林等。

3 討 論

3.1 作者及機(jī)構(gòu)合作關(guān)系 從作者分析結(jié)果來(lái)看，發(fā)文量最多的為胡金亮，為15篇，而后的是王永焱（12篇）、李建生（10篇），他們都為同一個(gè)團(tuán)隊(duì)。胡金亮團(tuán)隊(duì)主要采用了人工神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)模糊系統(tǒng)、徑向基神經(jīng)網(wǎng)絡(luò)、聚類分析的RBF網(wǎng)絡(luò)等方法對(duì)中醫(yī)證候診斷進(jìn)行研究，涉及的疾病有普通感冒、慢性阻塞性肺疾病、糖尿病等[4-8]。緊隨其后的是王憶勤、孫貴香、賀娟、韋玉科、袁肇凱、燕海霞、謝雁鳴等，他們都各自作為自己團(tuán)隊(duì)的核心代表運(yùn)用神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)中醫(yī)的各個(gè)方面進(jìn)行研究。以王憶勤為代表的團(tuán)隊(duì)分析了脈象、血液動(dòng)力學(xué)與冠心病之間的關(guān)系[9-11]。謝雁鳴團(tuán)隊(duì)則分析了SARS與各種邪氣之間的聯(lián)系[12-14]。

從機(jī)構(gòu)分析結(jié)果看，較早研究該領(lǐng)域的機(jī)構(gòu)為中國(guó)中醫(yī)研究院及河南中醫(yī)學(xué)院老年醫(yī)學(xué)研究所。而近些年研究該領(lǐng)域的機(jī)構(gòu)主要為成都中醫(yī)藥大學(xué)。成都中醫(yī)藥大學(xué)探索了神經(jīng)網(wǎng)絡(luò)技術(shù)與中醫(yī)疾病歸經(jīng)的新思維，分析了疾病歸經(jīng)與藥物歸經(jīng)的關(guān)系。成都中醫(yī)藥大學(xué)還用Levenberg-Marquardt算法建立了胃脘痛的雙隱含層BP神經(jīng)網(wǎng)絡(luò)辨證模型，提高了胃脘痛智能辨證的準(zhǔn)確率[15-16]。同時(shí)機(jī)構(gòu)之間的合作大多是地域相同或者較近之間的機(jī)構(gòu)合作，比如北京中醫(yī)藥大學(xué)與中國(guó)中醫(yī)科學(xué)院、廣州中醫(yī)藥大學(xué)與廣東工業(yè)大學(xué)等。

3.2 主要研究方向與領(lǐng)域熱點(diǎn) 從關(guān)鍵詞分析結(jié)果來(lái)看，該領(lǐng)域主要是以神經(jīng)網(wǎng)絡(luò)、中醫(yī)為中心，然后向外輻射，并且運(yùn)用BP神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)等方法對(duì)中醫(yī)各種疾病證候、舌診、脈診進(jìn)行數(shù)據(jù)挖掘。

從聚類視圖的分析來(lái)看，雖然有8個(gè)代表性的聚類標(biāo)簽，但是神經(jīng)網(wǎng)絡(luò)在中醫(yī)領(lǐng)域的應(yīng)用可以歸納為6個(gè)方向。

3.2.1 神經(jīng)網(wǎng)絡(luò)及其相關(guān)算法研究 在這個(gè)方向里，相關(guān)關(guān)鍵詞有關(guān)聯(lián)規(guī)則、證治規(guī)律、中醫(yī)按摩機(jī)器人、體檢指標(biāo)等。隨著時(shí)代的發(fā)展，人口老齡化問(wèn)題越來(lái)越嚴(yán)重，老年病、慢性病也越來(lái)越常見，而穴位按摩可以很好地輔助治療，由此中醫(yī)按摩機(jī)器人自然而然產(chǎn)生。但是機(jī)器人往往精準(zhǔn)度不夠，為了解決這個(gè)問(wèn)題，張秋云等[17]采用了一種遺傳算法來(lái)彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷，并且運(yùn)用了一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的中醫(yī)按摩機(jī)器人穴位坐標(biāo)預(yù)測(cè)方法，得到了預(yù)測(cè)的最優(yōu)數(shù)值，并且提升了神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精準(zhǔn)度，保障了中醫(yī)按摩機(jī)器人對(duì)患者做出精確的按摩治療行為。在中醫(yī)學(xué)中，人體在先天稟賦和后天獲得的基礎(chǔ)上所形成的生理功能、形態(tài)結(jié)構(gòu)和心理狀態(tài)方面綜合的、相對(duì)穩(wěn)定的固有特質(zhì)稱作體質(zhì)。辨識(shí)體質(zhì)是預(yù)測(cè)疾病的基礎(chǔ)，羅悅等[18]構(gòu)建了中醫(yī)體質(zhì)與體檢指標(biāo)關(guān)聯(lián)模型算法，并采用了BPNN技術(shù)。但是缺點(diǎn)是樣本不足，加大樣本數(shù)據(jù)將有助于提高網(wǎng)絡(luò)模型正確率，降低誤差，使算法收斂加速。疾病的證治規(guī)律方面，主要是對(duì)疾病的證候和用藥規(guī)律的研究，如潘一鳴[19]和曾子杰[20]分別針對(duì)慢性再生障礙性貧血和大腸癌對(duì)中藥與中藥、四診、證候進(jìn)行關(guān)聯(lián)分析，運(yùn)用神經(jīng)網(wǎng)絡(luò)將數(shù)據(jù)進(jìn)行建模訓(xùn)練，進(jìn)行數(shù)據(jù)挖掘，并且建立了相應(yīng)的證候預(yù)測(cè)模型。

3.2.2 中醫(yī)病證網(wǎng)絡(luò)模型的構(gòu)建 主要關(guān)鍵詞為冠心病，在這個(gè)研究方面，孫貴香等[21-22]基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了冠心病中醫(yī)證候神經(jīng)網(wǎng)絡(luò)模型，并且基于臨床流行病學(xué)構(gòu)建了冠心病中醫(yī)證候數(shù)據(jù)庫(kù)系統(tǒng)，采用了共軛梯度算法。另外在糖尿病方面，李建生等[8]為了構(gòu)建基于動(dòng)態(tài)Kohonen網(wǎng)絡(luò)的自適應(yīng)模糊推理系統(tǒng)模型，采用了人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)的方法。兩者都很好地對(duì)疾病證候做出正確判別，但是不足的是由于原始數(shù)據(jù)的不規(guī)范導(dǎo)致建模不順，所以癥狀術(shù)語(yǔ)規(guī)范是建模的前提。且神經(jīng)網(wǎng)絡(luò)樣本數(shù)的不足往往對(duì)結(jié)果也有一定的影響。劉麗蓉等[23]為了構(gòu)建蕁麻疹證候模型，采用支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)方法，兩種方法都很好地構(gòu)建了模型，但是提示前者比后者精準(zhǔn)度要高。而在最近的研究中，孫旭豪等[24]采用了EfficientNet方法對(duì)陰虛證的眼象進(jìn)行模型構(gòu)建，大大提高了目診的客觀化。

3.2.3 舌診智能模型的構(gòu)建 “舌為心之外候，苔乃胃之明徵”，人體是一個(gè)有機(jī)的整體，五臟六腑通過(guò)經(jīng)絡(luò)與舌相連接，人體的生理信息可以最直接地反映在舌象上，舌象更是蘊(yùn)含了人體的機(jī)能變化信息。基于此，各位學(xué)者通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)舌診各個(gè)方面都做了相應(yīng)的研究，為了實(shí)現(xiàn)舌診的客觀化，舌圖像分割是很重要的，顏建軍等[25]采用了Mask R-CNN的方法，解決了分割輪廓不準(zhǔn)確的問(wèn)題；王麗冉[26]根據(jù)舌象圖的特點(diǎn)，設(shè)計(jì)了一種基于形態(tài)學(xué)的優(yōu)化算法對(duì)分割結(jié)果做進(jìn)一步處理，致力于實(shí)現(xiàn)魯棒的舌體分割，并提出一種兩階段卷積神經(jīng)網(wǎng)絡(luò)算法用于舌體分割。雖然王麗冉[26]在實(shí)驗(yàn)中所使用的數(shù)據(jù)集主要來(lái)源于專業(yè)設(shè)備與手機(jī)兩種渠道，但數(shù)據(jù)總規(guī)模較小，不能夠充分發(fā)揮深度學(xué)習(xí)算法的優(yōu)勢(shì)，且未對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行進(jìn)一步的優(yōu)化和簡(jiǎn)化，因而可能存在冗余參數(shù)，所以對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)參確定更優(yōu)結(jié)構(gòu)，得到的結(jié)果可能會(huì)更好。WANG X等[27]提出了一個(gè)人工智能框架，使用深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）識(shí)別牙標(biāo)記舌頭，并進(jìn)行分類，這對(duì)辨證論治有重要意義。劉慧玲等[28]等從中醫(yī)古籍中整理出患者的八綱辨證的有關(guān)數(shù)據(jù)及舌象信息，借助灰色預(yù)測(cè)及BP神經(jīng)網(wǎng)絡(luò)的組合模型，建立預(yù)測(cè)平臺(tái)。該模型能夠?qū)斎氲纳嘞蟛∽C數(shù)據(jù)進(jìn)行分析，得出對(duì)應(yīng)的證候。缺點(diǎn)也是數(shù)據(jù)量不夠。另外還有學(xué)者將舌象與光譜學(xué)結(jié)合起來(lái)，如林凌等[29]采用舌診紅外光譜對(duì)人體血清總蛋白（TP）含量進(jìn)行無(wú)創(chuàng)檢測(cè)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)法結(jié)合主成分分析和偏最小二乘算法分別建立預(yù)測(cè)模型，該無(wú)創(chuàng)檢測(cè)大大減輕了患者的痛苦。

3.2.4 五運(yùn)六氣與疾病關(guān)系的模型構(gòu)建 五運(yùn)六氣理論是基于“天人相應(yīng)”的整體觀，研究自然氣象的變動(dòng)規(guī)律及其對(duì)生命活動(dòng)和疾病發(fā)生的影響。通過(guò)五運(yùn)六氣理論對(duì)疾病進(jìn)行預(yù)測(cè)，并建立相應(yīng)的預(yù)測(cè)模型，對(duì)于預(yù)防疾病具有重要意義。風(fēng)、寒、暑、濕、燥、火統(tǒng)稱為自然界中的六氣，為探討六氣與中醫(yī)疾病之間的聯(lián)系，馬師雷等[30]在五運(yùn)六氣理論的指導(dǎo)下，探討了氣候變化與病毒性肝炎發(fā)病之間的關(guān)系，分析誘發(fā)或者加重病毒性肝炎的氣象條件，并建立了基于BP神經(jīng)網(wǎng)絡(luò)的醫(yī)療氣象預(yù)測(cè)模型，擴(kuò)大了氣象因子。湯巧玲等[31]從中醫(yī)運(yùn)氣學(xué)說(shuō)的角度，探討了百日咳和氣象的關(guān)聯(lián)性，并運(yùn)用神經(jīng)網(wǎng)絡(luò)建立了相應(yīng)的模型，在這個(gè)研究方面，如何從中醫(yī)“六氣”的角度看待氣候?qū)W的指標(biāo)，如降雨量、氣溫、水汽壓、風(fēng)速等，是值得未來(lái)深入研究和探討的問(wèn)題。

3.2.5 深度學(xué)習(xí)方法的應(yīng)用研究 深度學(xué)習(xí)是該領(lǐng)域近年來(lái)研究的一個(gè)重點(diǎn)，從人工神經(jīng)網(wǎng)絡(luò)的研究中可以找到深度學(xué)習(xí)的概念源頭，它可以模仿人腦的機(jī)制來(lái)解釋、分析、學(xué)習(xí)數(shù)據(jù)。隨著深度學(xué)習(xí)的快速發(fā)展，越來(lái)越多的學(xué)者將深度學(xué)習(xí)與中醫(yī)連接起來(lái)，如吳沖等[32]運(yùn)用深度學(xué)習(xí)實(shí)現(xiàn)了對(duì)中藥材的評(píng)價(jià)。胡曉晨[33]提出了一種基于深度強(qiáng)化學(xué)習(xí)方法的中醫(yī)序貫診療方案優(yōu)化模型（alpha prescriber），該模型能夠根據(jù)觀察得到的患者癥狀體征信息，進(jìn)行處方推薦，動(dòng)態(tài)形成優(yōu)化的中醫(yī)序貫診療方案，為中醫(yī)個(gè)體化處方推薦的人工智能應(yīng)用提供基礎(chǔ)。若將監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)及其深度強(qiáng)化學(xué)習(xí)加入同一個(gè)協(xié)同框架中進(jìn)行診療方案優(yōu)化，運(yùn)用更多的數(shù)據(jù)集測(cè)試協(xié)助臨床醫(yī)生判斷，將會(huì)大大提高中醫(yī)臨床數(shù)據(jù)的適應(yīng)性。高甦等[34]根據(jù)主流的深度學(xué)習(xí)模型特點(diǎn)及中醫(yī)典籍的語(yǔ)料特征，以中醫(yī)典籍的字向量為輸入，采用條件隨機(jī)場(chǎng)（BiLSTM-CRF）的實(shí)體識(shí)別模型和基于雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò),對(duì)《黃帝內(nèi)經(jīng)》中的中醫(yī)生理、中醫(yī)認(rèn)識(shí)方法、中醫(yī)自然、中醫(yī)病理、治則治法等5種實(shí)體進(jìn)行識(shí)別，解決了中醫(yī)典籍分詞難、傳統(tǒng)人工構(gòu)建不準(zhǔn)確、知識(shí)體系復(fù)雜等問(wèn)題。

3.2.6 脈診數(shù)字化研究 脈診是中醫(yī)診斷學(xué)中重要的內(nèi)容。在脈診的數(shù)字化、客觀化方面，王逸群等[35]為了實(shí)現(xiàn)對(duì)脈象的識(shí)別，提高對(duì)脈象識(shí)別的精準(zhǔn)度，用MATLAB軟件完成了一種脈象實(shí)時(shí)采集系統(tǒng)，建成了100-40-15-5的四層BP神經(jīng)網(wǎng)絡(luò)，采用了濾波、歸一化、去基線漂移等方法。李萬(wàn)兵[36]結(jié)合支持向量機(jī)（SVM）和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行脈象的識(shí)別，應(yīng)用傳統(tǒng)測(cè)量法測(cè)量實(shí)際人體的血壓數(shù)據(jù)，并同步采集脈搏動(dòng)態(tài)圖像，從動(dòng)態(tài)圖像提取特征，采用BP神經(jīng)網(wǎng)絡(luò)的方法初步探尋血壓與脈搏圖像特征信息的關(guān)系，但如何將其成果應(yīng)用于臨床也是值得一個(gè)探究的問(wèn)題。

3.3 研究趨勢(shì) 根據(jù)關(guān)鍵詞突現(xiàn)性的分析，未來(lái)深度學(xué)習(xí)是研究熱點(diǎn)。中醫(yī)序貫診療方案、中醫(yī)古籍等研究都取得了一定的進(jìn)展，今后深度學(xué)習(xí)將會(huì)與中醫(yī)的四診、中醫(yī)證候的判定、預(yù)測(cè)更加緊密的聯(lián)系起來(lái)。治未病、中醫(yī)健康管理方面也會(huì)更加完善。

4 小 結(jié)

隨著人工智能的發(fā)展，中醫(yī)的數(shù)據(jù)挖掘越來(lái)越成熟，神經(jīng)網(wǎng)絡(luò)作為數(shù)據(jù)挖掘的一種方法，目前已經(jīng)在中醫(yī)病證模型的構(gòu)建，以及舌、脈診的數(shù)字化研究中取得了不錯(cuò)的進(jìn)展，但是由于數(shù)據(jù)量不足，模型的準(zhǔn)確率還需要提高。而神經(jīng)網(wǎng)絡(luò)的算法也需要具體情況具體對(duì)待，癥狀及證候的術(shù)語(yǔ)規(guī)范化也是一個(gè)非常重要的因素。中醫(yī)學(xué)是一個(gè)非常復(fù)雜的系統(tǒng)，越來(lái)越多的研究提示要從大量的數(shù)據(jù)中提取有意義的隱性知識(shí)，做出預(yù)測(cè)模型，神經(jīng)網(wǎng)絡(luò)可以幫助其實(shí)現(xiàn)。隨著社會(huì)的發(fā)展，人們的需求也越來(lái)越多元化，健康管理也越來(lái)越受人重視，通過(guò)人工智能，建立相應(yīng)的中醫(yī)機(jī)器人，包括中醫(yī)按摩機(jī)器人、針灸推拿機(jī)器人等，也越來(lái)越受到人們的歡迎。各種相應(yīng)健康咨詢、診斷軟件如雨后春筍，層出不窮。當(dāng)然，神經(jīng)網(wǎng)絡(luò)的知識(shí)處理能力也還需要提高，包括算法的選擇，模型的構(gòu)建，如何更快速、更準(zhǔn)確地與中醫(yī)各個(gè)領(lǐng)域結(jié)合，還需要更進(jìn)一步的研究。