基于卷積神經網絡的腦卒中中醫辨證分型舌象分類研究

王朝雨，黃奎麟，代國威，強茗，王倩

〔摘要〕 目的 通過卷積神經網絡學習腦卒中中醫辨證分型與中醫舌象特征分類的關系，為探索新的腦卒中臨床標準化治療方法提供診斷依據。方法 本研究選取284名腦卒中患者作為研究對象，通過遷移學習微調改進DenseNet201用于特征向量的提取，使用信息增益、卡方檢驗、對稱不確定性與ReliefF濾波算法并組合去重以選擇特征向量，最后利用Cubic SVM形成交叉數據集在多種分類器上進行訓練和測試，比較模型的準確性。結果 試驗結果表明，組合的四類特征提取算法使得準確率高于基礎結果的3.26%，Cubic SVM分類器相對于其他分類器以及未改進的DenseNet201取得了最優結果，可以在腦卒中中醫舌象辨證分型中提供至少為95.74%的準確率。結論 本研究提出的TCM舌象分類模型的方法結構是有效的，可輔助臨床中醫師進行診斷治療，值得臨床推廣和進一步深入研究。

〔關鍵詞〕 中醫舌診；深度學習；舌象分類；支持向量機；特征選擇

〔中圖分類號〕R288? ? ? ?〔文獻標志碼〕A? ? ? ? 〔文章編號〕doi：10.3969/j.issn.1674－070X.２０23.08.019

Convolutional neural networks-based TCM pattern differentiation and classification of tongue manifestations in stroke patients

WANG Zhaoyu1， HUANG Kuilin1*， DAI Guowei2， QIANG Ming3， WANG Qian4

1. Guanghan Hospital of Chinese Medicine， Guanghan， Sichuan 618399， China; 2. Agricultural Information Institute， Chinese Academy of Agricultural Sciences， National Agriculture Science Data Center， Beijing 100081， China; 3. Department of Acupuncture and Rehabilitation， Institute of Chinese Medicine， Sichuan Academy of Chinese Medicine， Chengdu， Sichuan 610031， China; 4. Department of Neurology， the First Hospital of Tisnghua University， Beijing 100016， China

〔Ａｂｓｔｒａｃｔ〕 Objective To learn the relationship between TCM pattern differentiation and feature classification of TCM tongue manifestations in stroke patients through convolutional neural networks （CNN）， so as to provide a diagnostic basis for exploring new standardized clinical treatment methods for stroke. Methods A total of 284 stroke patients were selected as subjects， and DenseNet201 was fine-tuned by transfer learning for feature vector extraction. The feature vectors were selected using information gain， chi-square test， symmetric uncertainty， and ReliefF filtering algorithm， combined with deduplication. Finally， Cubic SVM was used to form a crossover dataset for training and testing on multiple classifiers to compare the accuracy of the models. Results The combined four-class feature extraction algorithm resulted in an accuracy rate higher than 3.26% of the basic result， and compared with other classifiers and the unimproved DenseNet201， the Cubic SVM classifier achieved optimal results， providing an accuracy rate of at least 95.74% in the pattern differentiation of TCM tongue manifestations in stroke patients. Conclusion The methodological structure for the classification model of TCM tongue manifestations proposed in this study is effective， and it can assist clinical TCM physicians in diagnosis and treatment， which is worthy of clinical promotion and further in-depth research.

〔Ｋｅｙｗｏｒｄｓ〕 TCM tongue diagnosis; deep learning; classification of tongue manifestations; support vector machine; feature selection

腦卒中是一組由器質性腦損傷導致的突然發病、迅速出現局限性或彌散性腦功能缺損為主要表現的腦血管疾病。隨著醫療技術的發展，該病的發病率、致死率、致殘率均有所下降，但仍是中國的前3位致死病因，且腦卒中發病率、患病率、復發率隨著年齡增長不斷提高，隨著人口老齡化加劇，腦卒中對個人、家庭和社會造成的危害日趨嚴重，且本病致殘率高，約有2/3的病人在卒中的針對性救治后仍遺留不同程度的功能障礙[1]。因此，提高本病臨床治療有效率意義重大。

中醫在腦卒中的診療中發揮了重要作用，傳統中醫主要依靠望、聞、問、切來獲得臨床資料和病人信息，以此為基礎為病人制訂個性化的診療方案。《黃帝內經·本神篇》曰：“視其外應，以知其內，則知所病矣。”朱丹溪《丹溪心法·能合色脈可以萬全》云：“視其外應，以知其內者，當以觀外乎診于外者，斯以知其內，蓋有諸內者，必形諸外。”望診作為四診之首，對疾病診斷的重要性不言而喻。舌診和面診都是望診中的重要內容，但面診受到外部環境影響更大，且其特征表現不如舌診變化迅速靈敏，導致診療過程中收集的信息對疾病診斷的意義不及舌診，故舌診因其敏感度和準確性高、易于采集等優點廣泛應用于臨床疾病診斷。

現行中醫中風病行業標準[2]中將腦卒中分為兩類、三期、8個證型：中風急性期-中經絡（風痰阻絡證、風火上擾證、痰熱腑實證），中風急性期-中臟腑（痰熱內閉證、痰蒙清竅證、元氣敗脫證），以及恢復期（氣虛血瘀證、陰虛風動證）。腦卒中的所有證型都可以通過內外的映射關系表現于舌象，故準確對病人舌象進行分類有利于明確本病辨證分型并指導治療方案，但由于不同中醫醫師的診斷標準、行醫經驗、臨床思維方式均有一定差異，導致臨床上對病人的診斷缺乏客觀化和標準化。為此，借助信息技術進行舌象客觀量化研究，對輔助醫師診斷和治療腦卒中有重要意義。

機器學習及深度學習中醫舌象特征提取識別已成為當前研究熱點[3-4]，研究指出舌診客觀量化研究在疾病分型[5]、治未病[6]、輔助中醫診斷[7]和治療[8]標準化中有一定可行性。田琪等[9]發現，高血壓與舌象之間存在直接映射關系，舌象變化可輔助高血壓診療；周袁申等[10]發現，不同臨床分型的新冠病毒感染患者間舌形及苔質分布有差異；榮文雅等[11]發現，多維圖像分析技術提取腺病毒感染患者的舌象特征與臨床辨證具有較強的一致性，可為臨床辨證提供客觀依據；劉夢等[12]在進行500例受試者基于Faster R-CNN算法的深度學習與遷移學習中，得出該技術可以較好地完成中醫舌象局部特征辨識任務，具有較好的遷移能力。隨著計算機技術的迅猛發展，舌象采集分析、舌象定量化、現代儀器運用、機器學習與卷積神經網絡定量分析等方面均取得長足發展[13-19]，深化特定疾病的舌象分析已具有一定理論及實踐基礎。因此，本研究旨在探討通過人工智能學習腦卒中中醫辨證分型與中醫舌象特征分類的關系，以期為臨床治療提供診斷依據。

1 資料與方法

1.1? 資料來源

本研究選取2021年7月至2023年2月在廣漢市中醫醫院門診及住院部治療，并符合診斷及納入標準的284例腦卒中患者為研究對象，其中腦梗死182例占64.08%，腦出血102例占35.92%。其中男性166例，女性118例；最小年齡33歲，最大年齡99歲，平均年齡64歲；最短病程3 d，最長病程2年，平均病程56 d。本研究經醫院倫理委員會批準（批文編號為2023-01-009-K01），且研究對象均簽署知情同意書。

1.2? 納入及排除標準

納入標準：（1）符合本研究相關中西醫診斷納入標準：符合本病臨床表現，輔助檢查明確提示腦出血/腦梗死，經鑒別排除其他類似疾病者。西醫診斷標準為參照現行行業標準《腦梗死》[20]、《腦出血》[21]進行診斷；中醫診斷標準為參照現行行業標準《中風病》[2]進行診斷；（2）患者同意進行本研究且未加入其他臨床研究。

排除標準：（1）因各種原因無法配合研究者進行研究數據采集者；（2）因顱內占位性病變等出現卒中樣體征或癥狀者；（3）合并腫瘤、嚴重心肝腎功能障礙及其他危急重癥者；（4）妊娠及哺乳期婦女。

1.3? 一般情況

本研究邀請臨床經驗豐富的中醫醫師對入組患者舌象進行分類形成腦卒中中醫舌象數據集，參考現行行業標準《中風病》將研究對象分為8個證型，將其證型名稱及舌象表現分述如下。中風急性期-中經絡：（1）風痰阻絡證（舌質暗淡，舌苔薄白或白膩）；（2）風火上擾證（舌質紅絳，舌苔黃膩而干）；（3）痰熱腑實證（舌質紅，舌苔黃膩）。中風急性期-中臟腑：（4）痰熱內閉證（舌質紅絳，舌苔黃褐干膩）；（5）痰蒙清竅證（舌質紫暗，苔白膩）；（6）元氣敗脫證（舌蜷縮，舌質紫暗，苔白膩）。中風恢復期：（7）氣虛血瘀證（舌質暗淡，有齒痕，舌苔白膩）；（8）陰虛風動證（舌質紅而體瘦，少苔或無苔）。各證型舌象樣本詳見圖1。

1.4? 基于卷積神經網絡遷移學習

在機器學習領域，遷移學習是一種常見的研究技術。在深度學習中，遷移學習方法使用預訓練模型獲得的知識在新的數據集中訓練一個新的深度卷積神經網絡（convolutional neural networks， CNN）模型。深度CNN模型需要大量的初始訓練數據，在數據不足的情況下訓練深度CNN模型，會導致模型失去泛化的能力，變得與訓練數據過于匹配。另一方面，遷移學習使得深度CNN模型的建立即使在沒有大量的數據來訓練深度CNN架構的情況下也能實現。遷移學習可以通過兩種方式完成：通過特征提取法和微調法。

在通過特征提取方法進行遷移學習時，使用預訓練的深度CNN模型作為特征提取器，將新數據集的圖像批量傳遞給預訓練模型，檢索新數據集獲得特征向量。通過微調法的遷移學習利用預訓練模型作為在新數據集上的訓練起點，對相同預訓練模型進行重新訓練，對預訓練模型中的分類層所做的修改是根據新數據集中的類數建立新的分類層。

1.5? 微調DenseNet201模型

在這項工作中，實現了通過卷積神經網絡遷移學習微調改進的DenseNet201模型[22]。遷移學習任務使用在ImageNet數據集中預訓練的DenseNet201卷積神經網絡模型，首先將預訓練模型的全連接層移除，然后，在無分類層的預訓練模型基礎上添加三個新的層進行微調。一般情況下，在預先訓練去掉全連接層的DenseNet201模型之上，再連接一個全局平均池化（global average pooling， GAP）層，將多維特征轉換為一維特征[23]。在這種方法中，采用全局平均池化層替代全連接層，與全連接層相比，GAP層對整個特征圖內的所有像素求均值，不存在需要微調的參數，使得各個類別與特征圖的聯系更加直觀，由于GAP操作沒有參數參與訓練，非卷積層部分參數量大大減少，所以卷積神經網絡卷積層的卷積核參數易于進行充分地微調更新，從而能夠更加充分的提取分類目標信息。在GAP層之后，添加一個全連接層，包含1 024個神經元。此外，在全連接層上應用Dropout以防止過擬合，并設置隨機丟棄概率值為0.35。最后，添加帶有Softmax激活函數的輸出層對目標圖像進行分類。所改進的DenseNet201模型描述如圖2（a）所示，圖2（b）DenseBlock層是組成DenseNet網絡架構的主要模塊，圖2（c）Transition層主要用于連接兩個相鄰的DenseBlock，起到壓縮模型的作用，模型預訓練權重選擇IMAGENET1K_V1，該網絡的層數為708，深度為201，連接數為805，參數量為20.06 M，模型復雜度為5.71 GMac。

1.6? 特征選擇

特征選擇被定義為從包含數據集中所有特征的特征向量中選擇具有最佳性能表示比例的子集。該方法移除冗余特征減少了向量大小和計算復雜性，并提高了模型的性能。在本研究中，基于信息增益、卡方檢驗、對稱不確定性和ReliefF濾波算法被用于特征選擇[24-25]。

在信息增益（information gain， IG）方法中，采用熵進行計算，給出每個屬性發生隨機性、不確定性和意外情況的概率。IG算法的公式表示屬性Y的熵值隨屬性X的函數而減小，表達式如式（1）所示，其中H（Y）為特征Y的熵，H（Y/X）為特征X相對于特征Y的條件熵。因此，一個特征的顯著性水平是由單獨考慮相應特征時，由該類熵的減小程度來決定。

IG=H（Y）-H（Y/X）（1）

在對稱不確定性方法（symmetric uncertainty， SU）中，計算是將信息增益除以Y和X的熵值之和，SU系數由于存在相關因子，需要進行歸一化處理，值為1表示特征信息是完全可預測的，值為0表示Y和X之間沒有關系，具體的算法公式如式（2）所示。

CST2=■? ? （2）

卡方檢驗（chi-square test， CST）方法是確定目標與數值變量之間的卡方度量，只有卡方值最大的變量才會被選擇。算法公式如式（3），n為數據集中的特征個數，oi為對應特征的觀測頻率值，ei為期望頻率值。首先，計算這些值與真實類的卡方統計量CST2，當卡方值接近于零時，觀測到的頻率值和期望的頻率值會更加相容，計算得卡方值與卡方分布中指定的閾值進行比較，經過比較決定變量是否適合選擇。

CST2=■■ （3）

在ReliefF濾波選擇算法中，隨機選擇屬于同一類和異類的最近鄰。對于每一個相同的類，該算法計算一個相關性指數，并為它們分配一個正權重，而對于屬于不同類別的要素被分配負權重。這些步驟適用于所有特征，并根據其權重進行排序。式（4）給出了算法權值的計算公式，式中指定的Wi表示相關屬性的權重，nearbyHiti表示屬于同一類的最近樣本中的特征值，nearbyMissi則表示屬于不同類的最近樣本中的特征值。

Wi=Wi-1-（xi-nearbyHiti）2+（xi-nearbyMissi）2（4）

1.7? 支持向量機（support vector machine， SVM）

在機器學習中，目標對象的分類是解決數據集中對應于兩個或多個目標標簽的歸屬性問題。 SVM是一種簡單而強大的機器學習算法，它能在N維空間的特征中找到一個超平面，以在標簽類別中進行分類。由于核函數將輸入數據空間變成高維空間，SVM也被稱為核化SVM，Linear核、Polynomial核、徑向基函數（radial basis function， RBF）和Sigmoid核是最常見的核函數，其中，多項式核函數普遍使用二次多項式與三次多項式核函數（Cubic SVM）。

1.8? 中醫舌象分類模型方法結構

本研究提出了一種用于中醫舌象分類模型的方法結構。圖3顯示了方法的基本結構，該方法主要分為3個階段，分別為特征向量的提取、選擇特征向量與建立交叉數據集訓練模型。在第一階段，對數據集的圖像進行裁剪并適應所使用的DenseNet201卷積神經網絡的輸入大小，在輸入網絡前，通過對這些圖像應用表1所示的組合數據增強技術，可用圖像的數量從284增加到852，這樣可以防止過擬合，提高模型的性能。利用遷移學習微調改進的DenseNet201模型，從網絡的最后一個全連接層輸出包含1 024個特征向量。在第二階段，利用4類特征選擇算法分別選擇特征數據，選取的特征數據進行組合去重，得到由最佳300個特征組成的特征向量。為了保證模型結果的一致性，將具有合并特征的特征向量進行5倍和10倍交叉驗證處理。第三階段，利用Cubic SVM對交叉驗證處理的數據集進行訓練和測試，所形成的舌象鑒定模型被用于性能評分。

1.9? 性能指標與試驗參數

為了評估所提出的模型，將腦卒中中醫辨證分型舌象數據集拆分為訓練和測試數據集，并進行3-折和6-折交叉驗證（K-fold cross-validation， K-Fold CV）。對于性能評價，選用了4個常用的指標：準確率（accuracy）、精確率（precision）、靈敏度（sensitivity）與F1分數（F-score）。

本研究采用Windows11專業工作站版64位操作系統，Intel（R）Core（TM）i7-11800H處理器，存儲器選擇第四代DDR4，32.00 GB內存，NVIDIA GeForce RTX 3060 Laptop 6 GB顯卡。主要算法由微軟VSCode和Python 3.9執行，Scikit-learn框架實現了SVM與特征提取機器學習算法，深度卷積神經網絡模型采用Pytorch深度學習框架實現。

2 結果

2.1? 舌象分類性能分析

基于腦卒中中醫辨證分型舌象數據集，利用多階段構建中醫腦卒中舌象分類模型的方法對腦卒中的8類證型舌象進行分類，合并去重的4類特征選擇算法所得到的特征向量數據被用于3-折與6-折交叉驗證進行處理。試驗結果（表2）顯示所有證型的舌象驗證準確率、精確率、靈敏度及F1分數均達到95%以上，其中風火上擾證舌象的準確率及F1分數最低，分別為95.74%、96.49%，氣虛血瘀證舌象準確率及F1分數最高，分別為98.22%、98.31%，出現此結果可能是因為風火上擾證在臨床中屬于危急重癥，該證型的發病率較其他證型低、患病后的死亡率較高，且本證型患者功能障礙較重，出現伸舌困難導致臨床可采集樣本量有限，加之本證型特點為舌質紅絳、舌苔黃膩而干，可能因采集設備、采集環境、采集技術、圖片分辨率或顏色校正等方面的原因導致識別的準確率下降；但氣虛血瘀證為腦卒中恢復期，屬于該證型的患者患病后絕大部分預后為致殘，致死率較低，在經過急性期的治療及后期的康復后患者肢體功能好轉，采集舌象樣本是配合度較高，故臨床可采集樣本量充足，可進行充分的再學習。F1分數作為一個結合精確率及靈敏度的模型評估指標，在處理不平衡數據集的分類模型中更有優勢，本研究中F1分數從高到低依次為：氣虛血瘀證（98.31%）、痰熱內閉證（98.09%）、陰虛風動證（97.9%）、元氣敗脫證（97.85%）、風痰阻絡證（97.49%）、痰熱腑實證（97.38%）、痰蒙清竅證（97.01%）、風火上擾證（96.49%），準確率的高低次序與F1分數相類似，即：除個別證型（痰熱內閉證）外，腦卒中恢復期的證型對應的舌象分類的F1分數明顯高于急性期對應的舌象分類，這樣的結果也提示了樣本量大小可能會對識別的精確率略有影響，但總體上此方法仍能提供至少96.49%的F1分數及95.74%的準確率。總體而言，微調改進的DenseNet201卷積神經網絡模型進行舌象特征的識別具有較高的精確性，投入臨床應用可靠性高。

2.2? 消融驗證與多分類器對比

在本節，將對所提出的舌象分類模型方法結構進行2個實驗研究，它們都是基于腦卒中中醫辨證分型舌象數據集并采用6-折交叉驗證處理。在第一個實驗研究中，采用具有三次多項式核函數的SVM作為分類器，并對4類特征選擇算法進行消融試驗驗證。為了體現深度卷積神經網絡與融合SVM分類器卷積神經網絡的性能差異，修改DenseNet201網絡中Softmax層的前一個全連接層的輸出參數為腦卒中中醫辨證分型舌象數據集的分類數（表3中序號1），并以此作為基礎性能指標。消融驗證的結果（表3）提示僅使用一類或幾類組合的特征選擇算法結果不能改善DenseNet201網絡的基礎準確率及F1分數，在單獨使用對稱不確定性特征選擇算法時得出的結果較基礎準確率及基礎F1分數分別下降了14.26%和14.05%，單獨使用ReliefF濾波特征選擇算法時得出的結果較基礎準確率及基礎F1分數分別下降了4.36%和2.75%，提示本試驗中對稱不確定性特征選擇算法性能最差，而ReliefF濾波特征選擇算法性能最好。當四類特征算法功能進行組合后（表3序號8），其準確率及F1分數均大于97%，其準確率和F1分數分別高于基礎結果3.26%和3.42%，提示四種特征選擇算法選出的特征經合并去重后形成的數據集可靠度更高，選出的舌象特征更貼合臨床實際，增加了臨床應用及推廣的可行性。在第二個實驗研究中，驗證了處理后的舌象數據在不同機器學習分類器的性能表現，具體為三次多項式核Cubic SVM、徑向基函數RBF SVM、線性核Linear SVM、Sigmoid函數Sigmoid SVM、決策樹（decision tree， DT）、高斯貝葉斯（Gaussian naive bayes， Gaussian NB）、K最近鄰（K-nearest neighbor， KNN）和集成分類器中的隨機森林（random forest， RF）與Adaboost以獲得精度。結果如表4所示，使用不同的分類器的性能結果差異較大，RBF SVM、KNN、DT、RF及adaboost所得性能結果均大于93%；在支持向量機（SVM）相關的4個分類器中cubic SVM得出結果優于其他分類器，準確率、精確率、靈敏度、F1分數均大于97%；集成分類器中RF得到的四類性能指標結果較adaboost僅略偏高，但相較于Cubic SVM則略偏低，提示集成分類器也可能適合進行相關研究，但Cubic SVM得到的性能結果可靠性更高，更適合臨床應用。

3 討論

隨著現代社會發展，在生活作息不規律，缺乏運動、情緒緊張與工作生活壓力增大因素的影響下腦卒中發病呈年輕化趨勢，且隨著老齡化社會發展，本病發病率逐年增加，雖然醫療技術的進步導致本病死亡率有一定降低，但本病復發率、致殘率仍高，不僅影響個人的生活質量及生存期，還為社會家庭造成沉重負擔。早期介入中醫治療能改善病人預后，提高病人生存時間，改善病人生活質量，降低病死率，提高療效。中醫作為一種“以人為本”的醫學，重視整體觀念，在辨證論治時需結合“望、聞、問、切”四診所得臨床資料進行綜合判斷，故傳統的中醫診療嚴重依賴“人”，但由于不同中醫醫師的學識、臨床經驗、診斷標準與臨床思維方式均有一定差異，導致診療缺乏客觀化、標準化，出現醫師經驗傳承難、病人治病就醫難、醫療成果轉化難等問題。

因此，本研究以中醫專家分類的284名腦卒中病人的8種證型對應舌象為依據，通過遷移學習微調改進的DenseNet201模型進行特征向量的提取、再利用4類特征選擇算法并組合去重以選擇特征向量，最后利用Cubic SVM建立交叉數據集訓練模型，經此三階段的深度學習形成一種用于中醫舌象分類模型的方法結構，達到利用機器學習輔助臨床診療的目的。

本研究結果顯示，該方法可以排除人工誤差在完全基于舌體圖像數據的情況下對腦卒中中醫舌象進行辨證分型且準確性和靈敏性均達到97%以上，這促進了專科疾病中醫診斷的標準化及客觀化的發展，也有利于輔助中醫醫師進行診斷并為臨床治療提供一定建議，但由于本研究中急性期的各個證型獲取的舌象圖像數據樣本量較少，需在未來的研究中擴大樣本量進行更深入的研究。

參考文獻

[1] 2020中國衛生健康統計年鑒[EB/OL].（2021-12-06）[2023-03-02].http：//www.nhc.gov.cn/mohwsbwstjxxzx/tjtjnj/202112/dcd39654d66c4e6abf4d7b1389becd01.shtml.

[2] 中華中醫藥學會. ZYYXH/T 22-2008， 中風病[S]. 北京： 中國中醫藥出版社， 2008： 56.

[3] 王東軍， 楊? 歡， 田之魁， 等. 中醫舌象特征客觀化研究領域科學知識圖譜與可視化分析[J]. 世界科學技術： 中醫藥現代化， 2021， 23（9）： 3032-3040.

[4] 孫資金， 吉? 靜， 馬重陽， 等. 基于機器學習的中風中醫辨證模型的構建與應用[J]. 湖南中醫藥大學學報， 2023， 43（4）： 694-699.

[5] 陳宗慧. 早期胃癌患者臨床病理分型與中醫舌象、證型的關系[J]. 中醫臨床研究， 2022， 14（16）： 74-76.

[6] XIE J C， JING C C， ZHANG Z Y， et al. Digital tongue image analyses for health assessment[J]. Medical Review， 2021， 1（2）： 172-198.

[7] LI J， HUANG J B， JIANG T， et al. A multi-step approach for tongue image classification in patients with diabetes[J]. Computers in Biology and Medicine， 2022， 149： 105935.

[8] WEN G H， WANG K W， LI H H， et al. Recommending prescription via tongue image to assist clinician[J]. Multimedia Tools and Applications， 2021， 80（9）： 14283-14304.

[9] 田? 琪， 呂? 琴， 任? 健， 等. 高血壓病舌象特征及其客觀化研究[J]. 中國中醫基礎醫學雜志， 2023， 29（1）： 160-163.

[10] 周袁申， 林? 琳， 顏? 芳， 等. 133例新型冠狀病毒德爾塔變異株感染患者舌象的臨床分析與探討[J]. 中華中醫藥雜志， 2022， 37（12）： 7002-7006.

[11] 榮文雅， 王仲霞， 何婷婷， 等. 基于多維圖像分析技術的腺病毒感染中醫舌象特征分析[J]. 世界科學技術-中醫藥現代化， 2022， 24（11）： 4580-4588.

[12] 劉? 夢， 王曦廷， 周? 璐， 等. 基于深度學習與遷移學習的中醫舌象提取識別研究[J]. 中醫雜志， 2019， 60（10）： 835-840.

[13] 黃淑瓊， 張云龍， 周? 靜， 等. 淺談中醫舌象客觀化、定量化、標準化研究[J]. 中華中醫藥雜志， 2017， 32（4）： 1625-1627.

[14] ZHUANG Q B， GAN S Z， ZHANG L Y. Human-computer interaction based health diagnostics using ResNet34 for tongue image classification[J]. Computer Methods and Programs in Biomedicine， 2022， 226： 107096.

[15] WEI L I U， JINMING C H E N， BO L I U， et al. Tongue image segmentation and tongue color classification based on deep learning[J]. Digital Chinese Medicine， 2022， 5（3）： 253–263.

[16] 蘭雨姍， 鄭? 思， 李? 姣. 機器學習方法在因果推斷中混雜因素控制的應用[J]. 醫學信息學雜志， 2022， 43（11）： 20-26， 33.

[17] 吳? 欣， 徐? 紅， 林卓勝， 等. 深度學習在舌象分類中的研究綜述[J]. 計算機科學與探索，2023， 17（2）： 303-323.

[18] 代國威， 樊景超， 胡? 林. 采用天氣增強與八度卷積改進YOLOv5的番茄檢測模型構建[J]. 山東農業科學， 2022， 54（11）： 138-149.

[19] 代國威， 晏靜香. 基于Yolo的結直腸息肉CT影像分析算法研究[J]. 南通職業大學學報， 2021， 35（4）： 82-87.

[20] 中華中醫藥學會. 行業標準書號： ZYYXH/T 124-2008， 腦梗死[S]. 北京： 中國中醫藥出版社，2008： 260.

[21] 中華中醫藥學會. 行業標準書號： ZYYXH/T 123-2008， 腦出血[S]. 北京： 中國中醫藥出版社， 2008： 256.

[22] HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA. IEEE， 2017： 2261-2269.

[23] LI J J， HAN Y， ZHANG M， et al. Multi-scale residual network model combined with Global Average Pooling for action recognition[J]. Multimedia Tools and Applications， 2022， 81（1）： 1375-1393.

[24] HAMID T M T A， SALLEHUDDIN R， YUNOS Z M， et al. Ensemble filters with harmonize PSO-SVM algorithm for optimal hearing disorder prediction[J]. Neural Computing & Applications， 2023， 35（14）： 10473-10496.

[25] ATIK M E， DURAN Z D. Selection of relevant geometric features using filter-based algorithms for point cloud semantic segmentation[J]. Electronics， 2022， 11（20）： 3310.

（本文編輯? 蘇? 維）