基于人工智能技術的中醫防治心血管疾病研究進展

程序 ，張冬梅 ，趙亞男 ，趙夢竹 ，國倩倩 ，張馨月 ，劉夢華 ，魏瓊

1.北京中醫藥大學東直門醫院，北京 100700；2.首都醫科大學護理學院，北京 100069

《中國心血管健康與疾病報告2021》顯示，我國心血管疾病的發病率和病死率近年呈持續上升趨勢[1]，患病人群基數大，與醫療服務不匹配的矛盾凸顯，優化醫療技術、提升醫療效率是解決問題的關鍵。人工智能（artificial Intelligence，AI）是用于模擬、延伸和擴展人的智能理論、方法、技術及應用系統的一門學科，可模擬人腦的思維和推理過程，利用計算機高效的信息處理系統，學習、整合輸出和利用新知識，為臨床解決心血管診療問題提供新方向。基于AI發掘、轉化醫學信息及自我計算演算發展的能力，在智能診療[2]、影像識別、專家系統[3]、藥物研發及醫療機器人[4]等方面已有廣泛應用。中醫有著堅實的理論基礎和豐富的診療經驗，“堅持中西醫并重”是我國堅持的中醫藥發展戰略，在新一輪的科技革命和產業變革中，AI作為重要驅動力量為中醫藥的現代化發展帶來契機。AI技術在中醫診斷治療、預防心血管疾病等方面均有良好結合[5]。本文旨在對基于AI技術的中醫診療心血管疾病的研究現狀進行綜述。

1 “治未病”思想指導的人工智能輔助預防心血管疾病研究

《素問·四氣調神大論篇》記載“圣人不治已病治未病，不治已亂治未亂，此之謂也”，首次提出“治未病”。“治未病”包含“未病先防”“既病防變”“瘥后防復”3個方面，采用積極措施防止疾病的發生、發展和復發。在“治未病”思想指導下，中醫藥防治心血管病取得顯著臨床療效[6]。

1.1 中醫體質辨識系統的研究

體質的分類是一種對正氣盛衰的客觀詮釋，人體發病與否取決于正氣的強弱。隨著中醫體質學的發展，中醫體質分類與判定標準[7]已得到普遍認可，中醫體質量表[8]被廣泛推廣，成為“治未病”健康辨識的主要手段。常小榮基于王琦教授提出的9種體質，根據氣血陰陽、津液的盛衰虛實變化指導治未病研究[9]。林冰等[10]基于B/S模式設計中醫體質辨識系統并形成個性化的體質養生方案，有效指導日常健康管理和提高就診效率。李甘露等[11]建立了經絡-體質支持向量機算法（SVM）模型用于經絡層面的體質辨識，反映人體氣血運行和臟腑器官變化的情況，輔助體質診查。嚴玲等[12]運用多標記k近鄰算法（ML-kNN）將中醫體質納入危險因素，建立了心腦血管疾病患病風險預測模型和中醫促進心腦血管疾病健康方案的知識圖譜，并使用Cypher語句實現健康促進方案的推薦。

1.2 風險預測模型的研究

隨著預防理念的推廣和進步，心血管風險預警模型已經取得一定發展[13]。中醫“治未病”理念與風險預警不謀而合。應用機器學習算法，充分結合危險因素和中醫證素，構建心血管病證結合風險預警模型，可為臨床中西醫結合預防和早期干預提供科學依據。龐琳琳等[14]運用分類與回歸樹、人工神經網絡等構建急性ST段抬高型心肌梗死分類預測模型，為實現和改進更具個性化的中醫病證結合風險評估提供了前景，更好地為個體患者量身定制風險管理。風險預測模型的構建對心血管疾病的預后亦有較好的提示作用。崔偉鋒等[15]基于血管功能、中醫證候構建的原發性高血壓心血管風險預后模型對主要心血管事件可進行初步判定，研究表明，相對于決策樹、隨機森林，支持向量機善于處理各種維度的數據，具有良好的泛化能力，預測正確率更高。基于AI構建風險預測模型可應用于基層社區醫院進行心血管疾病患病風險的初篩，提高診療效率，支持提高效率和有限資源分配的策略制定，為中西醫結合診治心血管疾病提供技術手段支持。

AI引導下的中醫體質辨識研究和風險預測模型為疾病的早預警、早干預提供了新方法，在一定程度上促進了中醫防治心腦血管疾病自動化、智能化的進展，較好地達到“未病先防”的目的。中醫體質不僅決定疾病的發生，對于疾病的發展方向也有重要意義，AI與中醫體質的進一步結合將充分發展“未病先防、既病防變、瘥后防復”的理念。

2 人工智能輔助中醫診斷心血管疾病研究

2.1 人工智能技術結合中醫四診

“望、聞、問、切”四診合參是中醫診斷中最重要的思想，與AI技術融合是實現四診客觀化信息采集的重要發展方向。利用攝像機器采集舌象、面象進行眼診[16]、舌診[17]、面診在冠狀動脈疾病的診斷中具有潛在的應用價值，可應用于院外及臨床心血管疾病的診療，有助于心血管疾病的監測篩查和檢測。基于人體可獲取診斷信息技術的集成中醫診療設備，具有特征性氣味采集分析平臺，運用嗅氣味傳感器，對所采集的氣味信息進行處理與特征提取，并分析處理[18]。基于AI的問診研究體現在智能問診模型[19]與問診量表的結合，利用通用錄音設備進行問診的人機交互，實時記錄全部的問診內容，具有一定的規范化和可行性。基于AI的脈診研究取得了較為豐富的成果[20]，臨診切脈實質上是對動脈內血流動力學變化包括心血管狀態的綜合判斷。脈圖特征分析方法從線性方法如時域分析法向非線性時間序列方法發展，是深入挖掘脈象臨床診斷價值的重要手段[21]。采用光電容積脈搏波描記技術，不同于普遍使用的通過壓力測量獲得脈診信息，該技術根據不同血管狀態下血液量的差異導致對光的吸收也會隨之不同，因而具有較強的靈敏性[22]。劉璐等[23]采用隨機森林算法聯合脈象儀建立了冠狀動脈病變阻塞程度分層評估模型。基于遞歸定量分析提取脈象特征發現，冠心病患者的脈搏信號具有較高的規律性、確定性和穩定性，為脈診的準確檢測提供了新方向[23]。

AI技術與四診信息的結合體現了中醫“整體觀念”的特點，基于四診信息建立多模態健康狀態辨識評價模型，能夠有效實現個人健康監測和疾病風險預警[24]。Wang等[25]利用多任務交互注意學習模型對平移手掌圖像進行分析，提出檢測掌指關節和手掌魚際關節來輔助檢測急性心肌梗死。買瑩瑩等[26]采集分析了冠心病患者的舌、面診特征信息，結合神經網絡、多標記學習等多種技術建立了不同健康狀態的診斷模型，研發了國內首款中醫數字化健康監測與管理系統“云中醫智能鏡”，實現了健康狀態的自我評估[27]。穆建萍等[28]采用自行研制的便攜式四診合參輔助診斷裝置及系統，實時監測失重時航天員的四診、心電圖、指端容積及脈搏波傳導速度等信息，綜合分析評估身體狀態變化及心血管情況，同時使用中醫特色的干預措施和方藥進行調節，緩解了宇航員著陸后立位和運動耐力降低的不適。AI技術與經典中醫診斷方法的結合將為心血管疾病的診斷和預防提供新見解。

2.2 智能證候診斷研究

客觀化的診斷信息采集是基礎，而數據的融合與分析是病證診斷的重點。AI模型在證候分型方面表現優異。王憶勤等[29]發現，多標記學習算法對證型的識別率最高，不僅包含全面的四診特征，還充分考慮了證型和癥狀間的關系，建立了四診信息融合的辨證模型。趙書穎等[30]運用CHAID、CRT、QUEST及C5.0決策樹算法和神經網絡的方法建立了高血壓病陰陽兩虛證診斷模型。樊佳賽等[31]發現，氣虛是慢性心力衰竭患者不良事件發生的獨立預測因子，提示臨床醫生應關注慢性心力衰竭益氣治法的重要性，改善患者預后。曹紫嫣等[32]通過卷積神經網絡算法構建了高血壓病肝火亢盛證面部圖像診斷模型，對高血壓病肝火亢盛證的臨床診斷具有輔助作用且準確率較高。神經網絡建模需要大樣本學習以獲得良好的擬合模型。對于復雜證型，額外的癥狀增加模型計算的復雜性，從而降低模型的準確性。因此，更復雜的模型結構有利于揭示中醫辨證的內在規律和特征。使用DL算法（變壓器）結合dropout方法構建的冠心病證候元素的診斷系統有效準確地分類了綜合征元素。變壓器的自注意機制揭示了核心癥狀對證候要素診斷的意義，而對dropout層進行正則化增加了模型的靈活性并避免過擬合[33]。胡恒昶等[34]以辨病與辨證相結合為基本框架，應用深度增強學習算法研發出臨床決策輔助系統——“問問中醫大腦”，輔助中醫師進行決策且提高用藥的安全性。構建以數據驅動思想為指導的中醫精準診療模型可實現診療結果自動輸出，為中醫診療的信息化研究做出貢獻。李洪崢等[35]綜合運用多頭注意力機制、復合詞向量、隨機失活形成改良Transformer算法，構建了“癥狀-證候-治法-方藥”為一體的智能化模型，診斷準確度達96.46%。基于Python語言[36]、應用改良動手深度學習算法[37]、軟計算方法等一系列對心系疾病證素辨證輔助系統的構建和應用研究，為中醫智能化診療做出貢獻。

中醫遠程智能診斷系統是通過圖像采集、圖像預處理、圖像分割、壓電傳感器、人機交互等獲取信息并將數據保存到數據庫中，利用Winsock類開辟基于IP/TCP協議的局域通信，使醫護人員進行會診輔助診斷。AI輔助診療模型為輔助臨床診斷提供決策支持，為遠程醫療提供中西醫解決方案，對于診療水平相對落后的偏遠地區患者具有重要意義。這種無創智能化的多集成診療設備同時使家庭監測成為可能，由此實現的實時監控與及時干預促進疾病的康復。然而主觀因素干擾了智能化中醫診斷結果的準確性，脈癥從舍的標準研究、證候分類標準研究、四診的權重等問題是中醫診斷客觀化所面臨的難點，仍需進一步研究以促進智能診療系統更加規范化地發展。

3 基于人工智能技術的中醫治療心血管疾病應用

3.1 人工智能技術輔助中藥治療應用

AI在中醫治療中的應用主要依賴于基于數據挖掘的治療經驗，以實現臨床療效為導向。療效是“辨病”及“辨證”準確性的最終體現。AI技術在中藥材的輔助鑒別[38]、毒性預警[39]、性味物質基礎的篩選[40]等研究表明，基于中藥藥性理論的深度學習分類方法有助于加深研究者對藥性和功效作用關系的理解，科學地豐富和發展中藥藥性理論[41]，輔助臨床中藥配伍與應用。方劑用藥規律研究是中醫傳承的關鍵。深度學習方法以其強大的擬合能力和泛化能力對組方規律、處方與功效的多標簽對應關系進行分析[42]，對中醫藥學術繼承與創新具有重要意義。Yang等[43]使用網絡藥理學和深度學習方法研究8個治療冠心病的經典中藥方劑的潛在機制，發現了相關的藥物靶點、作用目標和途徑，為不同類型冠心病的中醫方劑辨證用藥提供了科學依據。在AI技術輔助下，進一步開發針對心血管疾病的個性化治療方法值得期待。Lin等[44]對107項隨機對照試驗進行了貝葉斯網絡Meta分析，評估了心麥龍注射液改善心功能、降低腦鈉肽和N端腦鈉肽前體水平的有效作用。在AI技術結合材料技術、生物技術等領域，納米技術凸顯出優勢[45]。納米中藥集合了復方與有效組分的雙重優勢，啟動以自體干細胞為靶點的修復受損心臟的系列效應。在再灌注治療領域，將納米中藥經導管直接置入受損的心肌，能使心臟干細胞得以高效的原位動員與分化[46-47]。納米中醫藥技術仍處于起步階段，逐步推進納米中藥成為中醫現代化發展的重要組成部分。

3.2 其他治療方式

中醫針灸在心血管疾病的預防、診療經皮冠狀動脈介入治療圍術期焦慮抑郁[48]方面具有較好療效[49]。陳日新[50]基于《黃帝內經》腧穴敏化理論，創立了“熱敏灸”，搭載智能協同系統的熱敏灸機器人[51]通過深度學習方法提升了熱敏灸技術標準化水平，可大幅縮短高級醫師的培訓周期，有效解決醫院臨床人手不足、灸療標準化欠缺等問題，同時在中醫教育領域具有較好前景。基于中醫證候和機器學習構建心血管病的中西醫結合預后模型可以指導臨床治療方向。

由于中醫理論系統的復雜性、AI算法的可解釋性和準確性的不平衡，AI在中醫治療研究中的應用尚不成熟。例如，決策樹和聚類方法具有較高可解釋性，而人工神經網絡的可解釋性較差，但在擬合復雜的函數上具有優勢。因此，選擇合適的信息采集方法和算法對于解決問題至關重要。在今后研究中，多層次現代醫療數據的樣本將增加數據集的廣度和深度，提高底層算法的性能和適應性，有利于管理小樣本和多模態有噪聲的醫療數據。

4 結語

信息時代的到來促進了中醫、現代醫學、計算機科學和其他學科的交叉研究及應用。在我國老齡化程度加重、心血管疾病患病人群逐漸增多的現狀下，構建具有中醫特色的基于AI的綜合診療系統將為心血管疾病的預防、診斷和治療提供更加準確、客觀的支持。然而AI需進一步發展才能更好地應用于臨床實踐，中醫藥與AI技術的結合仍需更多的努力迎接挑戰，如多種建模算法之間的比較和整合、AI算法的可解釋性和準確性之間的平衡等問題。AI技術輔助中醫治療疾病有望在個體化和精準化醫療方面發揮更大優勢。