人工智能在中醫(yī)診斷中的應(yīng)用進展

羅思言，王心舟，饒向榮

1.中國中醫(yī)科學院廣安門醫(yī)院腎病科，北京 100053；2.北京中醫(yī)藥大學廣安門醫(yī)院，北京 100029；3.同濟大學電子與信息工程學院，上海 201804

前言

傳統(tǒng)中醫(yī)通過望聞問切收集病人的病情信息，并以此進行辨證［1］。隨著人工智能在如計算機視覺、自然語言處理等領(lǐng)域大放異彩，人工智能也開始用于輔助醫(yī)學診斷。目前人工智能在中醫(yī)四診中的研究熱點聚焦在脈診和舌診，其主要方法是利用傳統(tǒng)機器學習算法或數(shù)據(jù)挖掘算法模仿進行脈診、舌診，從而實現(xiàn)診斷智能化。近年來新興的深度學習方法，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN），在計算機視覺及自然語言處理領(lǐng)域已基本取代傳統(tǒng)算法而成為實質(zhì)上的范式，但在中醫(yī)四診領(lǐng)域，上述方法的運用尚處于探索階段［2］。本研究系統(tǒng)地總結(jié)并分析人工智能在中醫(yī)四診的現(xiàn)狀及發(fā)展趨勢，包括傳統(tǒng)機器學習算法及深度學習算法之間的對比，以期為中醫(yī)智能化提供參考。

1 人工智能在中醫(yī)診斷中的運用

中醫(yī)臨床診斷是通過四診（望聞問切）合參、辨證論治，是針對一類證而非某一特定的病，正所謂“異病同治”、“同病異治”［3］，這也是中醫(yī)特有的整體觀；但是四診和辨證具有很強的主觀性，容易受到醫(yī)生本身的影響［4-5］。

相較于西醫(yī)診斷，中醫(yī)診斷的優(yōu)勢在于其方便快捷和無創(chuàng)，其不足在于診斷過程缺乏規(guī)范性和精準性。隨著人工智能技術(shù)的不斷進步、應(yīng)用范圍的不斷擴大以及其在中醫(yī)診斷的應(yīng)用，人工智能輔助中醫(yī)診斷標準化將成為下一個熱點，在中醫(yī)傳承、教學、科研、臨床領(lǐng)域發(fā)揮著重要作用［6-9］。人工智能在中醫(yī)領(lǐng)域的應(yīng)用涉及對大量臨床數(shù)據(jù)的收集、整理及特征提取，其演算過程在關(guān)注患者局部性健康信息的同時也保持了對整體的觀測。從臨床診斷的角度，這是對癥狀及體征信息進行了空間與時間、動態(tài)與靜態(tài)上的綜合與分析，這與中醫(yī)不謀而合，進一步驗證了人工智能應(yīng)用于中醫(yī)診斷的必要性和必然性。圖1 給出了人工智能在四診中應(yīng)用的基本知識框架。

圖1 人工智能在四診中應(yīng)用的基本框架Figure 1 Basic framework of artificial intelligence applied in 4 diagnostic methods of traditional Chinese medicine

目前運用于中醫(yī)四診領(lǐng)域的人工智能算法可分為兩類：傳統(tǒng)機器學習算法及深度學習算法。傳統(tǒng)機器學習算法包括Logistic 回歸、主成分分析（Principal Component Analysis,PCA）、多層感知器網(wǎng)絡(luò)（Multi-Layer Perceptron, MLP）、支持向量機（Support Vector Machine, SVM）、隨機森林（Random Forest, RF）、AdaBoost、k 近鄰（k-Nearest Neighbor,k-NN）、決策樹（Decision-making Tree, DT）、多核學習（Multiple Kernel Learning, MKL）、核主成分分析（Kernel PCA）、獨立成分分析（Independent Component Analysis, ICA）、貝葉斯算法、聚類算法等［10-12］。而近年來新興的深度學習方法可視為由MLP演變而來，包括CNN、RNN等。

傳統(tǒng)機器學習算法無需大量訓練數(shù)據(jù)即可得到較好的效果。在中醫(yī)四診領(lǐng)域，由于算法任務(wù)、數(shù)據(jù)來源較為單一，且訓練樣本有限，因此傳統(tǒng)機器學習算法得到了廣泛的運用。如SVM 作為應(yīng)用最為廣泛的傳統(tǒng)機器學習方法，其原理是利用非線性映射將低維特征映射到高維之上。當樣本數(shù)量較少時，SVM 可較好地區(qū)分特征之間的非線性關(guān)系，但當數(shù)據(jù)規(guī)模較為龐大時，因其計算復雜度為數(shù)據(jù)規(guī)模的平方項，其計算資源消耗將會成平方增長，同時其超參數(shù)的調(diào)節(jié)也變得難以進行［13］。此外，傳統(tǒng)機器學習算法對于非結(jié)構(gòu)化數(shù)據(jù)（如圖像、音頻）的處理非常依賴人工特征提取器的設(shè)計，這無疑在增加使用成本的同時引入人為誤差。

相較于傳統(tǒng)機器學習算法，深度學習更為靈活。CNN 和RNN 都可對非結(jié)構(gòu)化數(shù)據(jù)進行端到端的處理，自動感知和理解輸入的數(shù)據(jù)，無需人為干預。在保證局部精確性的同時，其高度的非線性、模糊性、全局性、魯棒性也非常適合進行中醫(yī)辨證任務(wù)。此外，遷移學習的廣泛運用也使得深度學習模型可以在不同的任務(wù)之間遷移，如進行街景語義分割的網(wǎng)絡(luò)可以輕松遷移至舌象分割任務(wù)而無需大量訓練樣本［14］。深度學習相較于傳統(tǒng)機器學習算法雖然有諸多優(yōu)勢，但也有局限之處。深度學習中模型的選擇、網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計、超參數(shù)的優(yōu)化都依賴于計算機相關(guān)知識，此外深度學習對于訓練樣本的數(shù)量及質(zhì)量的需求也高于傳統(tǒng)機器學習方法，其準確率與數(shù)據(jù)庫的規(guī)模、數(shù)據(jù)采集流程的規(guī)范程度直接相關(guān)。

如今深度學習發(fā)展如火如荼，但傳統(tǒng)機器學習方法仍在小樣本訓練領(lǐng)域保有一席之地。傳統(tǒng)機器學習方法受制于其泛化性、通用性的同時，深度學習算法也深受缺乏數(shù)據(jù)樣本的困擾。在中醫(yī)四診中，如何選擇人工智能診斷方法還需結(jié)合具體任務(wù)進行分析。

1.1 AI與望診

在中醫(yī)中，望診是總結(jié)患者的體征和癥狀，其中舌診是通過觀察舌的狀態(tài)得到人體生理病理信息［15］。臨床研究表明舌象與疾病病因具有強相關(guān)性［16-18］，舌診也成為了人工智能輔助望診最重要的一個環(huán)節(jié)［19］。

人工智能對舌象進行分析的主要方法包括MLP、SVM、k-NN、貝葉斯算法、聚類算法等［20-21］，其中k-NN和SVM是最常用的方法。一般來說，人工智能舌診包括4 個步驟：（1）使用標準設(shè)備（如舌診儀）捕獲高分辨率的舌頭圖像以保證舌色分類的可復現(xiàn)性。（2）數(shù)據(jù)預處理，包括校色、調(diào)整對比度等，以提高成像質(zhì)量，并以此結(jié)果構(gòu)建舌頭圖像數(shù)據(jù)集。（3）資深中醫(yī)對每張圖片的舌頭屬性進行標注，其中舌色和舌苔是兩個最常用的特征［22-23］，顏色作為低級的圖像特征，其對舌象分類任務(wù)的信息量有限，因此需要識別更高級的圖像語義信息，如舌形等。通常使用人工設(shè)計的特征提取器對圖像的紋理、顏色空間、邊緣等進行檢測。（4）利用基于人工智能的分類器進行舌頭分類，如RF 算法可以很好地進行舌頭顏色分類［20］。上述方法的有效性在很大程度上依賴于特征提取設(shè)計的好壞，如果忽略舌象特征的重要細節(jié)，而盲目增加網(wǎng)絡(luò)參數(shù)數(shù)目，則很容易導致過擬合的發(fā)生。除舌色、舌苔等直觀信息外，患者的性別、年齡、既往病史等信息也可作為人工智能輔助舌象診斷的舌頭特征［23-24］。對舌頭圖像進行一系列處理之后可以得到圖像高層次的語義特征，利用該特征可進行舌象分類，如將數(shù)據(jù)增加與RF結(jié)合對舌色進行分類，其AUC 可達0.98［20］。盡管傳統(tǒng)機器學習方法已在舌診領(lǐng)域做出重大貢獻，但仍有各種問題有待探索。首先，基于人工設(shè)計的特征提取器魯棒性受限，同時當任務(wù)發(fā)生遷移時重新設(shè)計特征提取器的成本非常高，且在一定程度上丟失了高層語義信息。此外由于舌象數(shù)據(jù)集僅來自于某一特定型號的設(shè)備，可能會產(chǎn)生過擬合的風險，因此傳統(tǒng)機器學習模型精度尚未達到人工分類精度［12,23］。

近年來隨著深度學習的迅速發(fā)展，CNN 模型被逐漸應(yīng)用于舌診領(lǐng)域，其擅長對圖像進行分類，并在魯棒性、可遷移性等方面優(yōu)于傳統(tǒng)機器學習方法［25-27］。利用舌象數(shù)據(jù)集可以訓練CNN 的特征提取層參數(shù)，而不必人工設(shè)計特征提取器，這大大提高了CNN 的易用性。正是因為CNN 具有諸多優(yōu)勢，在圖像分類領(lǐng)域，CNN 正逐漸取代傳統(tǒng)機器學習方法。用于舌診的CNN 包括4 個步驟：（1）與傳統(tǒng)方法相同，即進行圖像數(shù)據(jù)的收集與預處理，包括顏色、光照等的校準；（2）對圖像進行人工的標注，以此引入先驗信息供模型進行學習；（3）模型結(jié)構(gòu)的設(shè)計、優(yōu)化及基于人工標注舌象數(shù)據(jù)集的網(wǎng)絡(luò)參數(shù)訓練；（4）利用訓練完成的模型對舌頭圖像進行特征提取與分類。模型的整體準確率可達93%以上［26］，遠超傳統(tǒng)機器學習方法。此外，基于CNN的魯棒性，這些模型可以方便地遷移至其他具有不同光照、不同硬件設(shè)備的儀器所捕獲的圖像上。目前CNN已被廣泛用于舌色、舌苔的分類，并取得了較好的效果［25-27］。

目前人工智能應(yīng)用于舌診能將患者與健康人群區(qū)分，包括且不限于胃炎、冠心病和糖尿病等［16-18,28］。中醫(yī)的辨證方法主要分為八綱辨證、氣血津液辨證和臟腑辨證，受到醫(yī)生水平、知識范圍和喜好的影響，臨床診斷不具有全面性和精準性，而人工智能在此具有不可代替的優(yōu)勢［25］。

除舌診外，智能面色識別方面的研究也有所進展，紅外熱像儀被用來區(qū)分面部各個臟腑反應(yīng)區(qū)的熱學差異［29］。此外，基于人工智能的圖像分析技術(shù)，如k-NN、SVM 和貝葉斯算法等也被用于觀察患者面部及口唇的顏色、形態(tài)、紋理等［30-31］。然而，這方面研究尚未深入，無法有效應(yīng)用于臨床，仍需進一步探索、總結(jié)和驗證。

近年來得益于深度學習理論的發(fā)展，計算機視覺技術(shù)也迎來了飛躍式發(fā)展，其對圖像的處理能力在目標識別等領(lǐng)域已超過人類的平均水準。望診領(lǐng)域有望成為人工智能在中醫(yī)領(lǐng)域的一個重要突破點。未來人工智能輔助檢查診斷中的數(shù)據(jù)采集過程將進一步規(guī)范化、標準化，這也為構(gòu)建完善的圖像數(shù)據(jù)庫提供了重要保障。相較于傳統(tǒng)的圖像處理方法及機器學習方法，以深度學習理論為基礎(chǔ)的CNN 作為計算機視覺的代表性算法具有更強的魯棒性和可遷移性。計算機視覺領(lǐng)域中CNN的出色表現(xiàn)證明了CNN 將是一個比傳統(tǒng)視覺算法更有潛力的研究方向，而目前限制其廣泛運用的因素為計算資源的缺乏及相關(guān)圖像數(shù)據(jù)庫的缺乏。隨著計算機計算能力的增長和醫(yī)學圖像數(shù)據(jù)集的積累，CNN 有望在人工智能輔助望診中得到越來越廣泛的應(yīng)用，并最終替代大部分的傳統(tǒng)視覺算法。

1.2 AI與聞診

聞診分為聽聲音和嗅氣味，就目前的技術(shù)而言，氣味采集是暫時無法實現(xiàn)的，故人工智能輔助在中醫(yī)診斷聞診的重點在于聽診。隨著現(xiàn)代技術(shù)的飛速發(fā)展，對患者聲音可利用計算機科學和信息技術(shù)進行數(shù)字化數(shù)據(jù)采集和分析，這推動和促進了人工智能輔助聽診的研究，并實現(xiàn)了聽診的客觀化、準確化和定量化。2004年，Science 雜志刊登了有關(guān)納米技術(shù)開創(chuàng)細胞聲學（Sonocytology）的研究［32］，這無疑是對中國傳統(tǒng)醫(yī)學的現(xiàn)代詮釋。

傳統(tǒng)機器學習方法主要用于人工智能輔助聽診，包括k-NN、樸素貝葉斯、DT、SVM、ICA、神經(jīng)網(wǎng)絡(luò)和圖模型等。如利用二十五音分析儀對患者聲學特征進行分析［33］，或使用數(shù)字超聲儀對患者的咳嗽聲或說話聲進行頻譜分析，從而為臨床診斷提供依據(jù)［34］。該類方法分3 步組成：（1）從患者處收集語音數(shù)據(jù)。每個受試在帶有回聲抑制的安靜房間中持續(xù)發(fā)出穩(wěn)定的元音以提供語音數(shù)據(jù)。除開單個的元音發(fā)音外，亦有利用多標簽學習的方法基于多個元音發(fā)音進行患者聲學分析。（2）音頻數(shù)據(jù)處理，即語音信號的降噪、濾波、變換及特征提取等，包括從分解后的信號中計算各類特征函數(shù)，如近似熵（Approximate Entropy, ApEn）、小波包能量熵（Wavelet Packet Energy Entropy, WPEE）等。（3）上述特征經(jīng)過處理后作為機器學習分類器的輸入特征，為患者聲學特性提供依據(jù)。聽診領(lǐng)域常用的機器學習分類器是SVM，能在性別先驗的情況下以超過85%的準確率區(qū)分肺氣虛、肺陰虛、健康這3 類人群［35］。

深度學習在自然語言處理領(lǐng)域取得了驚人的研究進展，其對音頻的識別能力已達到甚至超越人類的平均水平［36］。目前對深度學習輔助聽診的相關(guān)研究尚處在初級階段，但深度學習已逐步展現(xiàn)出超過傳統(tǒng)算法的性能，如利用CNN 數(shù)據(jù)增強技術(shù)區(qū)分實證和虛證，其精度超過95%［37］?；颊呗晫W信號由一系列時域上的波形組成，傳統(tǒng)算法關(guān)注聲學特征在時域、頻域等的量化指標，而實際醫(yī)生進行聽診時并不會關(guān)注量化指標，而是關(guān)心波形整體的結(jié)構(gòu)特征，如音色、咳嗽咳喘、說話力氣、呼吸節(jié)律等。深度學習算法如CNN 或長短時記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）則在分析局部波形的同時也具備全局的感受野，這與醫(yī)生聽診時的流程不謀而合。

智能聽診的理想狀態(tài)是實現(xiàn)自動化、標準化和規(guī)范化，但是和舌診或是脈診相比較，聲音信號易受噪聲及環(huán)境干擾，且缺乏定量指標。若要以聲音信號作為基礎(chǔ)以區(qū)分不同類型的人群以及不同類型患者的聲學特征，則需要建立標準化的聲音信號采集流程及標準化的音頻數(shù)據(jù)庫。

1.3 AI與問診

傳統(tǒng)問診內(nèi)容來自于《景岳全書》，而隨著中醫(yī)規(guī)范化的推進，現(xiàn)代問診一般采用通用標準問卷得出相應(yīng)的證候積分，醫(yī)生可將這種量化且規(guī)范的患者信息應(yīng)用于臨床和科研。

目前的人工智能輔助問診主要基于數(shù)據(jù)分析的方法，包括SVM、神經(jīng)網(wǎng)絡(luò)、圖模型和多標簽學習等［38］。利用多標簽學習的方法可對數(shù)據(jù)進行挖掘，并構(gòu)建智能問診模型，其對冠心病的分類達到了78%的準確率［39］；此外也有利用復雜系統(tǒng)及概率圖模型對問診數(shù)據(jù)進行建模與劃分，其對慢性胃炎的平均準確率達到82.5%［40］。可以看到目前對于人工智能輔助問診的熱點主要側(cè)重于癥狀與證候的關(guān)系，即對數(shù)據(jù)的分析與挖掘，而對更高層次的文本語義信息、認知智能的研究尚處在初級階段，有較為廣闊的發(fā)展空間。目前深度學習中的自然語言處理方法已較為成熟，如循環(huán)神經(jīng)網(wǎng)絡(luò)等模型在如語音辨識等任務(wù)上已達到較高精度。自然語言處理方法同樣也可運用于中醫(yī)問診，但其面臨的最大問題是數(shù)據(jù)標注及訓練數(shù)據(jù)不足等限制所造成的網(wǎng)絡(luò)精度不足，因此建立標準化數(shù)據(jù)采集流程及數(shù)據(jù)庫具有重要意義。此外中醫(yī)發(fā)展歷史中的古籍以及古文中一詞多義、通假字、歧義詞等復雜的語法現(xiàn)象都對計算機理解造成了阻礙，規(guī)范中醫(yī)術(shù)語也是亟待解決的問題之一［4］。

1.4 AI與切診

切診即脈診，脈象4 要素包括脈位、脈數(shù)、脈形、脈勢。脈位分為寸、關(guān)、尺，腕后高骨（橈骨莖突）為關(guān)，關(guān)前為寸，關(guān)后為尺；脈數(shù)則與脈搏跳動的次數(shù)、節(jié)律、是否停歇有關(guān)；脈形與脈管充盈度、搏動弧度、是否有力有關(guān)；脈勢是應(yīng)指強弱、流暢程度的綜合體現(xiàn)。有研究表明脈診與心臟及血管功能有密切聯(lián)系［41］。

數(shù)字傳感器技術(shù)的發(fā)展使得脈象的認知從人為主觀感知轉(zhuǎn)化為客觀數(shù)字信號成為了可能。利用壓電式或壓阻式壓力傳感器、多普勒超聲傳感器、光電脈搏傳感器等可將脈象轉(zhuǎn)化為一系列數(shù)字信號并記錄在計算機中［8］，這為使用人工智能技術(shù)處理脈診數(shù)據(jù)并進行診斷提供了硬件條件。目前的主流脈象分析方法包括時域分析、頻域分析、動力學分析等［42］。人工智能輔助脈診因其標準化和準確性受到了廣泛的關(guān)注，但目前大多數(shù)用于脈診的人工智能技術(shù)仍局限于信號處理算法，如離散傅里葉變換以及傳統(tǒng)機器學習算法及其衍生方法，包括SVM、k-NN、DT、聚類算法和基于神經(jīng)網(wǎng)絡(luò)的算法等［25］。上述方法一般由3個階段組成：數(shù)據(jù)收集和預處理、特征提取、脈象分類或辨證［43］。在傳統(tǒng)機器學習方法中，與脈象分類和疾病分類相關(guān)的時域特征主要包括脈搏的主波斜率、主波幅值、相位、脈寬周期比等，頻域特征包括小波系數(shù)、能量特征等。每種學習算法在脈象分類上都有自己的優(yōu)勢，但是為了在數(shù)據(jù)集上獲得最佳性能，通常需要多次修改模型結(jié)構(gòu)及調(diào)參。據(jù)報道，傳統(tǒng)機器學習輔助脈診可以達到80%的準確率和0.8的AUC［44］。

與傳統(tǒng)機器學習方法相比，深度學習由更復雜的多層人工神經(jīng)元組成，并可自動學習參數(shù)進行特征提取，這使得不依賴領(lǐng)域?qū)I(yè)知識而進行深度學習成為了可能。CNN 在計算機圖形處理領(lǐng)域已經(jīng)發(fā)展成熟，是一種應(yīng)用廣泛、適應(yīng)性強、能同時挖掘時域與頻域信息的深度學習方法，因此CNN 也被引入到中醫(yī)中進行人工智能輔助的脈象診斷。顏建軍等［42］利用VGG-16對冠心病脈象進行分類，其準確率可達98.14%。此外人工智能輔助脈診可用于區(qū)分妊娠或各種疾病，包括胃炎、膽囊炎、胰腺炎、十二指腸球部潰瘍、急性闌尾炎高血壓、冠心病、糖尿病、急性闌尾炎、動脈硬化和肝硬化等，也可對某些疾病的風險進行定量評估［43-44］。然而截至目前為止，人工智能輔助脈診的可靠性尚待提高，因此其更適合用于輔助醫(yī)生進行診斷而非獨立識別患者的證候或疾病［44-45］。

傳統(tǒng)脈診標準源自《脈經(jīng)》、《診家樞要》、《瀕湖脈學》和《診家正眼》，古籍中對于脈象的描述存在一定的不準確性，但隨著對脈象的定量化研究進一步推進及人工智能的運用，脈診正逐步向精確化、定量化發(fā)展。當前的人工智能輔助脈診技術(shù)已趨于成熟，各類傳感器、各類算法都提升了脈診的準確率。此外隨著脈象數(shù)據(jù)庫的不斷更新及數(shù)據(jù)采集流程的規(guī)范化，人工智能在脈診上的應(yīng)用將迎來更加廣闊的發(fā)展前景。

2 AI與四診合參辨證

隨著傳感器技術(shù)與計算機技術(shù)的發(fā)展，傳感器多模態(tài)融合方面的研究引起了廣泛的注意，包括可見光與紅外光信息融合、聲光信息融合等［46］。在中醫(yī)領(lǐng)域，基于人工智能方法的四診合參可視為一種多模態(tài)融合方法。多模態(tài)融合方法可分為基于模型的融合方法和與模型無關(guān)的融合方法兩類，分別如圖2 及圖3 所示。前者在四診合參領(lǐng)域即為利用規(guī)范的數(shù)據(jù)采集流程，采集同構(gòu)的舌象、音頻、脈象等數(shù)據(jù)，并利用統(tǒng)一的機器學習方法進行處理。該類方法可以保留完整的數(shù)據(jù)特征，但對數(shù)據(jù)采集要求較高。目前該領(lǐng)域尚無統(tǒng)一的數(shù)據(jù)采集標準，因此該方法難以實現(xiàn)。后者在四診合參領(lǐng)域，對在不同采集標準下的各類數(shù)據(jù)進行初步的特征提取，隨后利用機器學習方法將特征進行融合與分類，該類方法魯棒性較強，對數(shù)據(jù)來源不要求規(guī)范化［8,10,47］。目前已有的四診合參診斷儀將傳感器收集到的脈診、聞診、舌診等信息集成到終端形成規(guī)范化的四診數(shù)據(jù)庫，并利用智能算法模擬醫(yī)生的臨床診斷過程，為患者提供實時動態(tài)的個性化醫(yī)療服務(wù)［4,48］。

雖然目前研發(fā)的四診合參辨證系統(tǒng)基于大量臨床數(shù)據(jù)，但缺少獨立演算能力，并不是真正具有中醫(yī)思維的類人智能化產(chǎn)品。目前來說，這一類產(chǎn)品更多的是應(yīng)用于科研或教學，無法靈活地在臨床上使用。隨著人工智能技術(shù)的發(fā)展，人機對話將成為了可能，同時5G 網(wǎng)絡(luò)的發(fā)展也推動了網(wǎng)絡(luò)大數(shù)據(jù)平臺和云計算的進一步運用，異步、異構(gòu)、跨平臺化的人工智能四診合參成為了未來發(fā)展方向之一。

圖2 模型融合的四診合參流程Figure 2 Model integrated synthesis of 4 diagnostic methods

圖3 模型無關(guān)的四診合參流程Figure 3 Model-independent synthesis of 4 diagnostic methods

3 結(jié)論

本研究探討了傳統(tǒng)機器學習算法與現(xiàn)代深度學習方法在中醫(yī)“望聞問切”四診當中的運用。中醫(yī)四診和辨證論治定義的模糊性、對醫(yī)生水平的依賴性、古文學習的難以理解性都對于中醫(yī)診斷的接受和認可造成了困擾。而深度神經(jīng)網(wǎng)絡(luò)作為一種對人類大腦行為的仿生學結(jié)果，其聯(lián)想性、模糊性、多模態(tài)性使得其與中醫(yī)診斷非常契合。對舌象、脈象這類富含定量化原始信息的數(shù)據(jù)，深度學習算法能在其中大展身手，在保證具備足夠訓練數(shù)據(jù)的前提下有望得到超過人為診斷的準確率。而對聞診和問診這兩類需要認知智能的問題，人工智能在其中的應(yīng)用尚處在探索階段。在當代科學技術(shù)飛速發(fā)展的基礎(chǔ)上，中醫(yī)亦需取長補短，尋求變革，使中醫(yī)更好地應(yīng)用于疾病診治。人工智能與中醫(yī)的結(jié)合讓中醫(yī)更客觀化、定量化，同時人工智能與中醫(yī)的緊密融合有望真正為醫(yī)生減負，并為患者提出有效的就醫(yī)建議和日常護理指導。

盡管人工智能在中醫(yī)領(lǐng)域的應(yīng)用前景十分廣闊，但也面臨著挑戰(zhàn)。目前由于中醫(yī)學本身的專業(yè)壁壘及古文閱讀的方式，人工智能所需要大量規(guī)范、全面、準確的原始數(shù)據(jù)的獲取存在困難，僅僅依靠孤立地收集數(shù)據(jù)將會阻礙人工智能在中醫(yī)領(lǐng)域中的運用。中醫(yī)四診數(shù)據(jù)的收集目前還缺乏一個受大家認可的范式，不同學者收集數(shù)據(jù)、建立數(shù)據(jù)庫的方式各不相同，這造成了不同數(shù)據(jù)庫之間缺乏可遷移性和復用性。此外，中醫(yī)的辨證原理相較于數(shù)理原理而言是模糊的、高度非線性的，如何將艱深晦澀的辨證原理轉(zhuǎn)化為易于計算機理解的語義符號也有待進一步的研究。