中醫四診客觀量化的研究進展

孔亮 楊婷 范華雨

【摘 要】 中醫學是以哲學為理論基礎的經驗醫學，在歷經數千年的發展后在中國及周邊地區取得了不可替代的地位。整體觀念是中醫學的核心指導思想，但由于人體本身的生理病理機制極其復雜，故采用現代分析醫學方法難以探究其診治本質。近年來大數據及人工智能的快速發展再一次為智慧中醫發展帶來契機，文章通過全面檢索中英文數據庫文獻并借助中醫學、中醫工程學、中醫信息學以及現代科學技術的相關理論來簡要介紹中醫四診客觀量化的研究進展，分析目前存在的不足，結合相關領域發展現況對未來中醫四診輔助技術進行展望。

【關鍵詞】 中醫藥;人工智能;診斷;數據挖掘;機器學習

【中圖分類號】R241 ? 【文獻標志碼】 A ? ?【文章編號】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）是中華民族防治疾病數千年的經驗積累，但時至今日中醫診療方式的信度水平仍然較低，主要原因之一就是中醫傳統的四診模式缺乏客觀量化依據。診斷數據的客觀量化將為中醫開啟定量分析的時代，將大幅度提高疾病的診治精度。為解決客觀量化問題，人工智能技術在20世紀70年代就被引入中醫診斷領域[1]，但由于未能解決邏輯推理和客觀量化問題，其發展速度較為遲緩。近年來，得益于微傳感器[2-3]、深度學習技術[4-5]以及遠程醫療[6-7]的突破性進展，中醫診斷的智能化又一次迎來變革契機。推動中醫藥現代化，支持中醫辨證論治智能輔助系統應用，提升基層中醫診療服務能力已成為行業乃至全國的戰略性科技發展規劃[8]，用現代科學技術解決中醫藥領域的關鍵問題也將成為一項亟待研究的工作。

1 中醫四診客觀量化的技術研究

在中醫理論體系中，臨床上的任何癥狀或體征都有其特殊的含義，中醫不依靠特殊的“理化指標”，不從單一局部判斷病情，而是從整體進行定性分析。這種傳統意義上的中醫四診模式存在較大的誤差：首先，依靠醫者五官獲取的病人資料具有較強主觀性;其次，患者在癥狀描述上的偏差極易誤導醫者;最后，缺乏標準化術語、中醫藥信息管理質量較差等多種因素共同阻礙著中醫臨床決策客觀化的發展。因此，對中醫診斷線索進行量化、客觀反映中醫規律、闡釋中醫療效，在中醫現代化戰略中具有特殊意義。

1.1 中醫望診 單就中醫四診中的望診而言，以舌診的研究最為深入，近千年的發展為其奠定了厚重的基石。而近年來，更多的科研工作者加入到該方向的研究中，并提出了更多的量化途徑，如ZHANG D[9]等通過構建數學幾何模型的方法對舌形進行識別分類，訓練模型準確率達90.3%。王昇[10]對舌面點刺及瘀點設計了自動識別與提取系統，其識別準確率達到97.4%。LI Q等[11-12]借助高光譜技術分別提取出了舌裂紋及舌苔信息，證實了高光譜技術在舌診信息提取方面具有高應用價值。而在舌診數據信息處理方面，闞紅星[13]提出了一種基于隨機森林理論的舌圖像識別算法，其平均識別準確率為90.37%。MENG D[14]等基于卷積神經網絡設計了約束高擴散神經網絡舌診框架，為以往數據冗余和權重分配不平衡的問題提供了很好的解決思路。R Kanawong[15]等人設計了監督學習的舌象分析程序并開發了移動健康診斷終端，基于用戶使用過程中產生的數據量進行分類模型訓練從而提高其性能?？傊嘣\的研究已經較為廣泛深入，但在相同用途上缺乏比較，不同用途上缺乏整合，技術上的不斷成熟說明了客觀化研究具有一定的可行性，未來可提供高質量的分析數據。在唇診方面，F. Li[16]等設計了基于多級分類向量機的電腦輔助唇診系統，通過圖像處理、特征提取、特征選擇、特征分類4步將257幅口唇圖像分成絳、紅、淡紅、蒼白4類，開創唇診圖像識別領域的先河。而在面診方面，LIU C[17]等通過面部分割的方法提取面部全局及局部的顏色特征，隨后對高維數據降維處理，再通過對支持向量機（Support Vector Machine， SVM）， 樸素貝葉斯（Naive Bayes， NB）， k最鄰近（K Nearest Neighbors， KNN）和Adaboost迭代四種分類器進行性能評測，將性能最佳的分類器與之前的降維數據進行加權融合，獲得最佳的分類性能，最終證明了局部特征的高分析價值。ZHAO C[18]等人以色彩和光澤的兩大方面的特征訓練SVM分類器最終實現了86.89%的識別精度。ZHANG B[19]等人基于更先進的稀疏表達分類器（sparse representation classifier， SRC）對糖尿病人與正常人進行區分，最終得到的平均準確率高達97.54%。望診研究主要以圖像處理和機器學習的方法來對面、舌、唇進行證型識別，通過大量數據的標注訓練，可實現的識別精度較高，說明運用圖像識別技術可實現中醫證型的望診自動診斷，具有良好的前景，且結合目前的云計算方法，加速擴充樣本體量，不斷提高識別精度，未來將成為智慧中醫診斷的重要依據來源。這種源于古典，結合現代技術的診斷方法有望成為現代醫學的有力補充[20]。

1.2 中醫切診 中醫切診即脈診，通過寸關尺部橈動脈的波動來探查全身氣血運行狀態及五臟六腑的變化。由于脈診具有非侵入性和便利性，在現代醫學中也有很好的發展前景。LIU S[21]等設計了一種由壓電和壓阻傳感器的柔性負荷壓力傳感器陣列，可以測量脈沖波和靜壓，在搜集脈搏波的深度信息時還兼具良好的重復性和抗干擾性。ZHOU HL[22]將橈動脈壓力分解成動態力和靜態力進行檢測，其設計的觸力傳感器在滿足大量程和高精度要求的同時，降低了制作的難度和成本，加速了觸力傳感器的推廣和應用。而更多的學者研究了脈象波所蘊含的意義，GUO R[23]等使用Hilbert-Huang變換將正常人和心臟病患者脈沖信號都進行時間序列處理，然后利用隨機森林分類器對提取出的特征建立分類模型，最終發現能量特征和樣本熵特征的組合作為輸入特征向量時的平均準確率最高，達90.21%。JIANG Z[24]等提出一種基于離散傅里葉級數（Discrete Fourier Series，DFS）的特征提取方法，先將波形信號拆分成不同頻率和振幅的子信號，再用DFS擬合，最終表明誤差較以往縮小。此外，該方法可以較好地表示原始信息和潛在信息，以更好地區分不同生理及病理狀態。Tsai Y N[25]等人利用傅里葉變換（Fourier Transform，FT）對徑向脈診不同位置和不同指標間的差異進行研究，指出在脈診的研究方面應仔細選擇測量位置，從而確保獲取信息的完整性。此外，Lee B J[26]、Moura N G R D[27]、HU X J[28]等人也對高血壓病人的脈搏波進行了大量的研究，其成果可以作為老年人心血管病風險研究基礎，對老年人的心血管功能進行預測。總之，脈診方面的研究，總體環節已經健全，但缺乏局部節點技術上的突破。未來仍需提高傳感器的精度，避免測量偏倚，尋找不同證型波形的特征點，改善模型的識別效能。

1.3 中醫聞診 中醫聞診是通過聽聲音和嗅氣味來了解患者病情變化的方法。與人類指紋類似，聲音和言語模式富含特異性信息，具有極強的鑒別作用，如今在安防領域已有較多關于聲紋的應用。2004年，Pelling A E[29]在《Science》上刊登的關于細胞聲學的研究發現，細胞從生長到凋亡，或是生存狀態的改變都會對細胞壁的振動頻率產生影響。因此，從宏觀的角度考慮，生物體聲音的變化也可能會反映其生理病理狀態的改變，這與兩千年前中國古典醫籍《黃帝內經》通過聲音見微知著，調整亞健康狀態，預防疾病發生的觀點不謀而合。然而人類的聽覺能力還不足以提取、理解、識別這種微小差異，因此聞診的客觀化有賴于對聲音和氣味傳感器的研究開發。在聲學的研究方面，高也陶[30]等研發的二十五音分析儀為中醫聲診最先的嘗試，在后續汪東麗等人[31-32]的實證研究中分別證明了不同年齡女性、女性寒熱體質的聲學差別。近來，YAN J J[33]等基于分形維數（Fractal Dimension）提取肺氣虛、肺陰虛、健康受試者的聲學特征，經多分類SVM訓練模型訓練，最終在預先區分性別因素的前提下得到86.05%的整體識別率。在氣味的研究方面，劉鶯[34]等人運用氣相色譜技術對70名口臭患者呼出氣體進行定量檢測，證明不同含量的致臭物質與中醫的不同證型有一定對應關系。WU C[35]等就味覺和嗅覺的生物傳感器發展現狀進行了總結，并按照體外和體內分為兩大類，前者是以味覺、嗅覺生物組織和細胞、受體作為敏感元素來收集刺激信號，后者是在動物體內植入微電極，記錄信號通路所獲得的信號。良好的傳感器是中醫診斷客觀化的基礎，仿生傳感器在中醫聞診中的應用則能提升中醫聞診的地位，使其在四診中發揮更重要的作用。

1.4 中醫問診 中醫問診是醫者獲取患者臨床資料的手段之一，在四診中占有重要地位[36]。中醫問診的智能化研究不僅可以搜集患者的非癥狀信息[37]，還可以極大提高醫者獲取病人資料的精確性和效率，也是中醫現代化中不可或缺的環節。梁建慶 [38]應用數字化問診系統對帕金森病的中醫證型和癥狀進行數據挖掘分析，在378例臨床病人的測試中，最終得到90%的臨床診斷符合率，具有相當的應用價值。此外，鐘濤等人通過借助復雜系統方法構建慢性胃炎中醫問診證候模型，針對中醫問診的整體性、動態性、非線性、復雜性的特征挑選出每個證型相關癥狀群，再通過復雜網格對數據關系進行挖掘，最終得到的辨證多標記學習模型準確率達82.5%[39]。近年來，由于中醫大數據應用的戰略部署[40]，中醫相關的知識挖掘、隱性知識發現、語音識別等方面的研究明顯加快，結合目前醫療狀況，中醫智能輔助問診具有很好的發展前景[41]。

2 中醫四診輔助技術的未來展望

近十年來科技發展到一個拐點，人工智能語音識別率的大幅提高為人機對話掃清了障礙，5G通信的商業試用和微傳感器的發展為大數據和人工智能的發展提供了蓬勃動力。面對極其復雜的中醫知識網絡，亦有許多學者提出不同的發展方向，比如應用虛擬現實技術和高精度傳感器來遠程模擬中醫醫師和患者面對面交流的場景;診治過程中記錄下的電子數據通過再呈現的方式用于年輕醫師情景教學;構建大數據網絡平臺和自學習知識系統，將計算機人工智能發展的目標從自主決策者變為診療建議者，使用人機結合的模式，該方法既可以成功減少大量的學科知識給臨床醫師帶來的記憶壓力，又可以有效地減少醫師診療過程中出現偶然差錯的機會。

在大數據時代背景下，人類對于世界的感知將達到一個前所未有的高度，憑借人工智能技術的計算機工程會徹底改變“強調實驗數據”的科學研究思路，因為沒有人能知道訓練模型之中的擬合參數，但這種重相關勝于因果的方法將加速世界發展[42]。傳統中醫依托文化和意象思維，現代科技依托客觀物質基礎，貫通古今，尊重中醫本體特征，延展出新理論，并應用不同方法角度給出客觀評價，提高中醫信度，將是中醫未來發展的重要途徑。

參考文獻

[1]辛基梁. 人工神經網絡在中醫臨床辨證模型研究中的應用[D].福州：福建中醫藥大學，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]國務院辦公廳.國務院辦公廳關于促進“互聯網+醫療健康”發展的意見[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，劉開華，王麗婷.舌診圖像點刺和瘀點的識別與提取[J].計算機工程與科學，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]劉明，趙靜，李剛，等.高光譜成像用于中醫舌診舌苔信息提取[J].光譜學與光譜分析，2017，37（1）：162-165.

[13]闞紅星，張璐瑤，董昌武.一種2型糖尿病中醫證型的舌圖像識別方法[J].中國生物醫學工程學報，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.《黃帝內經》失傳2000多年的理論和技術的現代研究[M].北京：中醫古籍出版社，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]鄭賢月.女性寒熱體質者的聲音特征研究[D].北京：北京中醫藥大學，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]劉鶯，彭曉斌.胃熱口臭患者口腔氣味揮發性成分定性研究[J].中醫雜志，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]羅瑞靜，何建成.中醫智能化問診系統開發及應用前景[J].時珍國醫國藥，2014，25（07）：1797-1798.

[37]張興濤，解君，張啟明.中醫問診中的非癥狀信息[J].中醫雜志，2015，56（12）：1019-1021.

[38]梁建慶，何建成.基于數字化系統的中醫問診診斷客觀化研究[J].中華中醫藥雜志（原中國醫藥學報），2014，29（5）：1534.

[39]鐘濤. 基于復雜系統方法的慢性胃炎中醫問診證候建模研究[D].華東理工大學，2014.

[40]國務院.中醫藥發展戰略規劃綱要（2016-2030年）[Z].2016-02-26.

[41]李曉玲.數據挖掘分類方法在中醫證候研究中的運用探析[J].中醫研究，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 編輯：劉斌）