中医四诊客观量化的研究进展

来源:用户上传      作者:

　　【摘 要】 中医学是以哲学为理论基础的经验医学，在历经数千年的发展后在中国及周边地区取得了不可替代的地位。整体观念是中医学的核心指导思想，但由于人体本身的生理病理机制极其复杂，故采用现代分析医学方法难以探究其诊治本质。近年来大数据及人工智能的快速发展再一次为智慧中医发展带来契机，文章通过全面检索中英文数据库文献并借助中医学、中医工程学、中医信息学以及现代科学技术的相关理论来简要介绍中医四诊客观量化的研究进展，分析目前存在的不足，结合相关领域发展现况对未来中医四诊辅助技术进行展望。
　　【关键词】 中医药;人工智能;诊断;数据挖掘;机器学习
　　【中图分类号】R241   【文献标志码】 A    【文章编号】1007-8517（2020）1-0063-04
　　Abstract：Traditional Chinese medicine （TCM） is an empirical medicine based on philosophy. After thousands of years of development， it has achieved an irreplaceable position in China and its surrounding areas. The overall sense is the core guiding ideology of TCM. However， because the physiological and pathological mechanism of the human body is extremely complicated， it is difficult to explore the nature of diagnosis and treatment by modern analytical medicine methods. In recent years， the rapid development of big data and artificial intelligence has once again brought vigorous vitality to smart Chinese medicine. This article will briefly summarize the Chinese and English database literature and use the relevant theories of TCM， Chinese Medicine Engineering， Chinese Medicine Informatics and modern science and technology. This paper introduces the research progress of objective quantification of four diagnostics of TCM， analyzes the existing deficiencies， and prospects the future four diagnostic aids of traditional Chinese medicine in combination with the current development of related fields.
　　Keywords：Traditional Chinese Medicine; Artificial Intelligence; Diagnosis; Data Mining; Machine Learning
　　 中醫（Traditional Chinese Medicine， TCM）是中华民族防治疾病数千年的经验积累，但时至今日中医诊疗方式的信度水平仍然较低，主要原因之一就是中医传统的四诊模式缺乏客观量化依据。诊断数据的客观量化将为中医开启定量分析的时代，将大幅度提高疾病的诊治精度。为解决客观量化问题，人工智能技术在20世纪70年代就被引入中医诊断领域[1]，但由于未能解决逻辑推理和客观量化问题，其发展速度较为迟缓。近年来，得益于微传感器[2-3]、深度学习技术[4-5]以及远程医疗[6-7]的突破性进展，中医诊断的智能化又一次迎来变革契机。推动中医药现代化，支持中医辨证论治智能辅助系统应用，提升基层中医诊疗服务能力已成为行业乃至全国的战略性科技发展规划[8]，用现代科学技术解决中医药领域的关键问题也将成为一项亟待研究的工作。
　　1 中医四诊客观量化的技术研究
　　 在中医理论体系中，临床上的任何症状或体征都有其特殊的含义，中医不依靠特殊的“理化指标”，不从单一局部判断病情，而是从整体进行定性分析。这种传统意义上的中医四诊模式存在较大的误差：首先，依靠医者五官获取的病人资料具有较强主观性;其次，患者在症状描述上的偏差极易误导医者;最后，缺乏标准化术语、中医药信息管理质量较差等多种因素共同阻碍着中医临床决策客观化的发展。因此，对中医诊断线索进行量化、客观反映中医规律、阐释中医疗效，在中医现代化战略中具有特殊意义。
　　1.1 中医望诊 单就中医四诊中的望诊而言，以舌诊的研究最为深入，近千年的发展为其奠定了厚重的基石。而近年来，更多的科研工作者加入到该方向的研究中，并提出了更多的量化途径，如ZHANG D[9]等通过构建数学几何模型的方法对舌形进行识别分类，训练模型准确率达90.3%。王昇[10]对舌面点刺及瘀点设计了自动识别与提取系统，其识别准确率达到97.4%。LI Q等[11-12]借助高光谱技术分别提取出了舌裂纹及舌苔信息，证实了高光谱技术在舌诊信息提取方面具有高应用价值。而在舌诊数据信息处理方面，阚红星[13]提出了一种基于随机森林理论的舌图像识别算法，其平均识别准确率为90.37%。MENG D[14]等基于卷积神经网络设计了约束高扩散神经网络舌诊框架，为以往数据冗余和权重分配不平衡的问题提供了很好的解决思路。R Kanawong[15]等人设计了监督学习的舌象分析程序并开发了移动健康诊断终端，基于用户使用过程中产生的数据量进行分类模型训练从而提高其性能。总之舌诊的研究已经较为广泛深入，但在相同用途上缺乏比较，不同用途上缺乏整合，技术上的不断成熟说明了客观化研究具有一定的可行性，未来可提供高质量的分析数据。在唇诊方面，F. Li[16]等设计了基于多级分类向量机的电脑辅助唇诊系统，通过图像处理、特征提取、特征选择、特征分类4步将257幅口唇图像分成绛、红、淡红、苍白4类，开创唇诊图像识别领域的先河。而在面诊方面，LIU C[17]等通过面部分割的方法提取面部全局及局部的颜色特征，随后对高维数据降维处理，再通过对支持向量机（Support Vector Machine， SVM）， 朴素贝叶斯（Naive Bayes， NB）， k最邻近（K Nearest Neighbors， KNN）和Adaboost迭代四种分类器进行性能评测，将性能最佳的分类器与之前的降维数据进行加权融合，获得最佳的分类性能，最终证明了局部特征的高分析价值。ZHAO C[18]等人以色彩和光泽的两大方面的特征训练SVM分类器最终实现了86.89%的识别精度。ZHANG B[19]等人基于更先进的稀疏表达分类器（sparse representation classifier， SRC）对糖尿病人与正常人进行区分，最终得到的平均准确率高达97.54%。望诊研究主要以图像处理和机器学习的方法来对面、舌、唇进行证型识别，通过大量数据的标注训练，可实现的识别精度较高，说明运用图像识别技术可实现中医证型的望诊自动诊断，具有良好的前景，且结合目前的云计算方法，加速扩充样本体量，不断提高识别精度，未来将成为智慧中医诊断的重要依据来源。这种源于古典，结合现代技术的诊断方法有望成为现代医学的有力补充[20]。 　　1.2 中医切诊 中医切诊即脉诊，通过寸关尺部桡动脉的波动来探查全身气血运行状态及五脏六腑的变化。由于脉诊具有非侵入性和便利性，在现代医学中也有很好的发展前景。LIU S[21]等设计了一种由压电和压阻传感器的柔性负荷压力传感器阵列，可以测量脉冲波和静压，在搜集脉搏波的深度信息时还兼具良好的重复性和抗干扰性。ZHOU HL[22]将桡动脉压力分解成动态力和静态力进行检测，其设计的触力传感器在满足大量程和高精度要求的同时，降低了制作的难度和成本，加速了触力传感器的推广和应用。而更多的学者研究了脉象波所蕴含的意义，GUO R[23]等使用Hilbert-Huang变换将正常人和心脏病患者脉冲信号都进行时间序列处理，然后利用随机森林分类器对提取出的特征建立分类模型，最终发现能量特征和样本熵特征的组合作为输入特征向量时的平均准确率最高，达90.21%。JIANG Z[24]等提出一种基于离散傅里叶级数（Discrete Fourier Series，DFS）的特征提取方法，先将波形信号拆分成不同频率和振幅的子信号，再用DFS拟合，最终表明误差较以往缩小。此外，该方法可以较好地表示原始信息和潜在信息，以更好地区分不同生理及病理状态。Tsai Y N[25]等人利用傅里叶变换（Fourier Transform，FT）对径向脉诊不同位置和不同指标间的差异进行研究，指出在脉诊的研究方面应仔细选择测量位置，从而确保获取信息的完整性。此外，Lee B J[26]、Moura N G R D[27]、HU X J[28]等人也对高血压病人的脉搏波进行了大量的研究，其成果可以作为老年人心血管病风险研究基础，对老年人的心血管功能进行预测。总之，脉诊方面的研究，总体环节已经健全，但缺乏局部节点技术上的突破。未来仍需提高传感器的精度，避免测量偏倚，寻找不同证型波形的特征点，改善模型的识别效能。
　　1.3 中医闻诊 中医闻诊是通过听声音和嗅气味来了解患者病情变化的方法。与人类指纹类似，声音和言语模式富含特异性信息，具有极强的鉴别作用，如今在安防领域已有较多关于声纹的应用。2004年，Pelling A E[29]在《Science》上刊登的关于细胞声学的研究发现，细胞从生长到凋亡，或是生存状态的改变都会对细胞壁的振动频率产生影响。因此，从宏观的角度考虑，生物体声音的变化也可能会反映其生理病理状态的改变，这与两千年前中国古典医籍《黄帝内经》通过声音见微知著，调整亚健康状态，预防疾病发生的观点不谋而合。然而人类的听觉能力还不足以提取、理解、识别这种微小差异，因此闻诊的客观化有赖于对声音和气味传感器的研究开发。在声学的研究方面，高也陶[30]等研发的二十五音分析仪为中医声诊最先的尝试，在后续汪东丽等人[31-32]的实证研究中分别证明了不同年龄女性、女性寒热体质的声学差别。近来，YAN J J[33]等基于分形维数（Fractal Dimension）提取肺气虚、肺阴虚、健康受试者的声学特征，经多分类SVM训练模型训练，最终在预先区分性别因素的前提下得到86.05%的整体识别率。在气味的研究方面，刘莺[34]等人运用气相色谱技术对70名口臭患者呼出气体进行定量检测，证明不同含量的致臭物质与中医的不同证型有一定对应关系。WU C[35]等就味觉和嗅觉的生物传感器发展现状进行了总结，并按照体外和体内分为两大类，前者是以味觉、嗅觉生物组织和细胞、受体作为敏感元素来收集刺激信号，后者是在动物体内植入微电极，记录信号通路所获得的信号。良好的传感器是中医诊断客观化的基础，仿生传感器在中医闻诊中的应用则能提升中医闻诊的地位，使其在四诊中发挥更重要的作用。
　　1.4 中医问诊 中医问诊是医者获取患者临床资料的手段之一，在四诊中占有重要地位[36]。中医问诊的智能化研究不仅可以搜集患者的非症状信息[37]，还可以极大提高医者获取病人资料的精确性和效率，也是中医现代化中不可或缺的环节。梁建庆 [38]应用数字化问诊系统对帕金森病的中医证型和症状进行数据挖掘分析，在378例临床病人的测试中，最终得到90%的临床诊断符合率，具有相当的应用价值。此外，钟涛等人通过借助复杂系统方法构建慢性胃炎中医问诊证候模型，针对中医问诊的整体性、动态性、非线性、复杂性的特征挑选出每个证型相关症状群，再通过复杂网格对数据关系进行挖掘，最终得到的辨证多标记学习模型准确率达82.5%[39]。近年来，由于中医大数据应用的战略部署[40]，中医相关的知识挖掘、隐性知识发现、语音识别等方面的研究明显加快，结合目前医疗状况，中医智能辅助问诊具有很好的发展前景[41]。
　　2 中医四诊辅助技术的未来展望
　　 近十年来科技发展到一个拐点，人工智能语音识别率的大幅提高为人机对话扫清了障碍，5G通信的商业试用和微传感器的发展为大数据和人工智能的发展提供了蓬勃动力。面对极其复杂的中医知识网络，亦有许多学者提出不同的发展方向，比如应用虚拟现实技术和高精度传感器来远程模拟中医医师和患者面對面交流的场景;诊治过程中记录下的电子数据通过再呈现的方式用于年轻医师情景教学;构建大数据网络平台和自学习知识系统，将计算机人工智能发展的目标从自主决策者变为诊疗建议者，使用人机结合的模式，该方法既可以成功减少大量的学科知识给临床医师带来的记忆压力，又可以有效地减少医师诊疗过程中出现偶然差错的机会。
　　 在大数据时代背景下，人类对于世界的感知将达到一个前所未有的高度，凭借人工智能技术的计算机工程会彻底改变“强调实验数据”的科学研究思路，因为没有人能知道训练模型之中的拟合参数，但这种重相关胜于因果的方法将加速世界发展[42]。传统中医依托文化和意象思维，现代科技依托客观物质基础，贯通古今，尊重中医本体特征，延展出新理论，并应用不同方法角度给出客观评价，提高中医信度，将是中医未来发展的重要途径。
　　参考文献
　　[1]辛基梁. 人工神经网络在中医临床辨证模型研究中的应用[D].福州：福建中医药大学，2017. 　　[2]Jin Wenquan，Kim Do Hyeun. Design and Implementation of e-Health System Based on Semantic Sensor Network Using IETF YANG.[J]. Sensors （Basel， Switzerland），2018，18（2）.
　　[3]Lee M. Sanders. E-Health Care： Promise or Peril for Chronic Illness[J]. The Journal of Pediatrics，2018，195.
　　[4]Suzuki Kenji. Overview of deep learning in medical imaging.[J]. Radiological physics and technology，2017，10（3）
　　[5]Dan Meng，Guitao Cao，Ye Duan，et al. Tongue Images Classification Based on Constrained High Dispersal Network[J]. Evidence-Based Complementary and Alternative Medicine，2017.
　　[6]Kalid Naser，Zaidan A A，Zaidan B B， et al. Based on Real Time Remote Health Monitoring Systems： A New Approach for Prioritization “Large Scales Data” Patients with Chronic Heart Diseases Using Body Sensors and Communication Technology.[J]. Journal of medical systems，2018，42（4）.
　　[7]E. Parimbelli，B. Bottalico，E. Losiouk，et al. Trusting telemedicine： A discussion on risks， safety， legal implications and liability of involved stakeholders[J]. International Journal of Medical Informatics，2018，112.
　　[8]國务院办公厅.国务院办公厅关于促进“互联网+医疗健康”发展的意见[Z].2018-04-28
　　[9]ZHANG D， ZHANG H， ZHANG B. Tongue Shape Classification by Geometric Features[J]. Information Sciences，2010，180（2）：312-324.
　　[10]王昇，刘开华，王丽婷.舌诊图像点刺和瘀点的识别与提取[J].计算机工程与科学，2017，39（6）：1126-1132.
　　[11]LI Q， WANG Y， et al. Tongue fissure extraction and classification using hyperspectral imaging technology[J]. Applied Optics，2010，49（11）：2006-13.
　　[12]刘明，赵静，李刚，等.高光谱成像用于中医舌诊舌苔信息提取[J].光谱学与光谱分析，2017，37（1）：162-165.
　　[13]阚红星，张璐瑶，董昌武.一种2型糖尿病中医证型的舌图像识别方法[J].中国生物医学工程学报，2016，35（6）：658-664.
　　[14]MENG D， CAO G， YE D， et al. Tongue Images Classification Based on Constrained High Dispersal Network[J]. Evidence-Based Complementray and Alternative Medicine，2017，2017（4）：1-12.
　　[15] anawong R， Obafemiajayi T， LIU D， et al. Tongue Image Analysis and Its Mobile App Development for Health Diagnosis[J]. Advances in Experimental Medicine & Biology，2017，1005：99.
　　[16]F. Li， ZHAO C B， XIA Z， et al. Computer-assisted lip diagnosis on traditional Chinese medicine using multi-class support vector machines[J]. BMC Complementary and Alternative Medicine，2012：127.
　　[17]C. LIU， C. ZHAO， G. LI， et al. Computerized color analysis for facial diagnosis in traditional Chinese medicine[J]. IEEE International Conference on Bioinformatics and Biomedicine，2014：613-614.
　　[18]ZHAO C， LI G， LI F， et al. Qualitative and Quantitative Analysis for Facial Complexion in Traditional Chinese Medicine[J]. Biomed Research International，2017，2014（3）：207589. 　　[19]ZHANG B， Kumar B V K V，ZHANG D. Noninvasive Diabetes Mellitus Detection Using Facial Block Color With a Sparse Representation Classifier[J]. IEEE Transactions on Biomedical Engineering，2014，61（4）：1027-1033.
　　[20]Ioannis Solos，Yuan Liang.A historical evaluation of Chinese tongue diagnosis in the treatment of septicemic plague in the pre-antibiotic era， and as a new direction for revolutionary clinical research applications[J].Journal of Integrative Medicine，2018，16（03）：141-146.
　　[21]LIU S， ZHANG S， ZHANG S， et al. A novel flexible pressure sensor array for depth information of radial artery[J]. Sensors & Actuators A Physical，2017，272.
　　[22]ZHOU HL.A Testing Device for Pulse Graph Force Transducer Measured over Radial Artery[J]. Chinese Journal of Medical Instrumentation，2017，41（6）：419-423
　　[23]GUO R， WANG Y， YAN H， et al. Analysis and Recognition of Traditional Chinese Medicine Pulse Based on the Hilbert-Huang Transform and Random Forest in Patients with Coronary Heart Disease[J]. Evidence-Based Complementray and Alternative Medicine，2015，2015（6216，supplement）：1-8.
　　[24]JIANG Z， ZHANG D， LU G. Radial artery pulse waveform analysis based on curve fitting using discrete Fourier series[J]. Computer Methods & Programs in Biomedicine，2018.
　　[25]Tsai Y N， HUANG Y C， LIN J S， et al. Different Harmonic Characteristics Were Found at Each Location on TCM Radial Pulse Diagnosis by Spectrum Analysis[J]. Evidence-based Complementary and Alternative Medicine：eCAM， 2018，2018（3）：1-10.
　　[26]Lee B J， Jeon Y J， Ku B， et al. Association of hypertension with physical factors of wrist pulse waves using a computational approach： a pilot study[J]. BMC Complementary and Alternative Medicine，2015，15（1）：1-9.
　　[27]Moura N G R D，Cordovil I，Ferreira A D S.Traditional Chinese medicine wrist pulse-taking is associated with pulse waveform analysis and hemodynamics in hypertension[J]. Chinese Journal of Integrative Medicine，2016，14（2）：100-113.
　　[28]HU X J， ZHANG L， XU J T， et al. Pulse Wave Cycle Features Analysis of Different Blood Pressure Grades in the Elderly[J].Evidence-Based Complementary and Alternative Medicine， 2018.
　　[29]Pelling A E， Sehati S， Gralla E B， et al. Local Nanomechanical Motion of the Cell Wall of Saccharomyces cerevisiae[J]. Science，2004，305（5687）：1147-1150.
　　[30]高也陶.《黃帝内经》失传2000多年的理论和技术的现代研究[M].北京：中医古籍出版社，2007：1-504.
　　[31]WANG D L. Relationship between female ages and the theory of five tones correlated with five zang viscera in Huangdi Neiiing [J]. Journal of Integrative Medicine，2006，4（1）：10-12. 　　[32]郑贤月.女性寒热体质者的声音特征研究[D].北京：北京中医药大学，2008：1-87.
　　[33]YAN J J，GUO R，WANG Y Q， et al. Objective Auscultation of TCM Based on Wavelet Packet Fractal Dimension and Support Vector Machine[J]. Evidence-Based Complementray and Alternative Medicine，2014，2014（14）：502348.
　　[34]刘莺，彭晓斌.胃热口臭患者口腔气味挥发性成分定性研究[J].中医杂志，1998（5）：298-299.
　　[35]WU C， DU Y W， HUANG L， et al. Biomimetic Sensors for the Senses： Towards Better Understanding of Taste and Odor Sensation[J]. Sensors，2017，17（12）：2881.
　　[36]羅瑞静，何建成.中医智能化问诊系统开发及应用前景[J].时珍国医国药，2014，25（07）：1797-1798.
　　[37]张兴涛，解君，张启明.中医问诊中的非症状信息[J].中医杂志，2015，56（12）：1019-1021.
　　[38]梁建庆，何建成.基于数字化系统的中医问诊诊断客观化研究[J].中华中医药杂志（原中国医药学报），2014，29（5）：1534.
　　[39]钟涛. 基于复杂系统方法的慢性胃炎中医问诊证候建模研究[D].华东理工大学，2014.
　　[40]国务院.中医药发展战略规划纲要（2016-2030年）[Z].2016-02-26.
　　[41]李晓玲.数据挖掘分类方法在中医证候研究中的运用探析[J].中医研究，2015，28（10）：1-4.
　　[42]Mayer-Schnberger V， Cukier K. Big Data： A Revolution That Will Transform How We Live， Work， and Think[M].1.British publisher： John Murray，2013：1-256.
　　（收稿日期：2019-10-18 编辑：刘斌）
转载注明来源:https://www.xzbu.com/1/view-15148970.htm