楊濤，朱學芳

(1.南京大學信息管理學院，江蘇 南京 210023；2.南京中醫(yī)藥大學人工智能與信息技術學院，江蘇 南京 210023)

證是中醫(yī)學特有的概念，是對疾病過程中所處特定階段的病位、病性、病因以及病勢等所作出的病理性概括。辨證是在中醫(yī)學的理論指導下，對病人的各種臨床資料進行綜合分析，從而對疾病當前的病位與病性等本質做出判斷，并概括為完整證名的思維過程[1]。辨證是中醫(yī)臨床立法、處方、用藥的前提和基礎，辨證準確與否直接影響著臨床療效[2]。近半個世紀以來，眾多學者在辨證規(guī)范化、數(shù)字化和智能化方面進行了深入的探索，為中醫(yī)辨證智能化發(fā)展做出了重要貢獻[3-7]。近年來，隨著人工智能新技術的飛速發(fā)展，中醫(yī)辨證智能化迎來了新的機遇與挑戰(zhàn)。鑒于此，本文就中醫(yī)辨證智能化研究現(xiàn)狀及發(fā)展趨勢進行總結和探討，以期為中醫(yī)辨證的數(shù)字化和智能化發(fā)展提供借鑒。

1 中醫(yī)辨證智能化研究背景

在信息技術(特別是人工智能)飛速發(fā)展的背景下,多方面因素共同促成中醫(yī)辨證走上數(shù)字化和智能化的發(fā)展道路，這其中既有中醫(yī)發(fā)展本身的要求，也有科技發(fā)展的客觀因素。

1.1 中醫(yī)現(xiàn)代化發(fā)展的迫切需求

中醫(yī)辨證主要依賴臨床專家的感官采集患者的四診信息，并在中醫(yī)理論指導下進行分析和判斷，因而受到較多主觀因素的影響；加上不同醫(yī)家學術流派、知識結構和臨證經(jīng)驗等存在差異，導致臨床上常會出現(xiàn)辨證不準、辨證不一等問題。而統(tǒng)一規(guī)范的中醫(yī)辨證模式是中醫(yī)辨證智能化的基礎，也是中醫(yī)現(xiàn)代化發(fā)展的重要內(nèi)容之一。借助信息技術建立標準化的四診采集和分析系統(tǒng)，有望實現(xiàn)中醫(yī)辨證的規(guī)范化和標準化。

1.2 名老中醫(yī)經(jīng)驗傳承的迫切需要

名老中醫(yī)是中醫(yī)界的楷模，具有較高的理論水平和豐富的實踐經(jīng)驗，代表著中醫(yī)藥學術和臨床研究的最高水平。然而，名老中醫(yī)的成長周期漫長，供需嚴重失衡。學習、總結和傳承名老中醫(yī)經(jīng)驗成為中醫(yī)傳承與發(fā)展的重要課題。借助人工智能技術，將名老中醫(yī)的經(jīng)驗進行數(shù)據(jù)化存儲、分析和利用，構建名老中醫(yī)專家系統(tǒng)，可以有效解決名老中醫(yī)經(jīng)驗傳承問題。

1.3 現(xiàn)代科技發(fā)展的必然選擇

隨著1956年達特茅斯會議開啟人工智能元年，人類進入了人工智能新時代。各個學科走上了數(shù)字化和智能化探索之路。美國斯坦福大學在1976年成功研制了用于鑒別細菌感染及治療的醫(yī)學專家系統(tǒng)MYCIN[8]，開啟了醫(yī)學專家系統(tǒng)研究的序幕。國內(nèi)也于1978年開始中醫(yī)專家系統(tǒng)的研制，之后各種專家系統(tǒng)如雨后春筍般出現(xiàn)[9]。隨著信息化的發(fā)展，中醫(yī)臨床大數(shù)據(jù)也呈指數(shù)級增長，海量的數(shù)據(jù)推動了中醫(yī)智能化朝著以數(shù)據(jù)為驅動的新方向發(fā)展。在國家中醫(yī)藥發(fā)展政策的大力支持下，現(xiàn)代科技的大力推動下，中醫(yī)現(xiàn)代化發(fā)展的迫切需求下，中醫(yī)辨證的智能化發(fā)展迎來了前所未有的機遇。

2 中醫(yī)辨證智能化研究現(xiàn)狀

中醫(yī)辨證是一個復雜的思維過程，臨床信息與證候之間存在復雜的映射關系[10]。建立科學、精準的中醫(yī)辨證模型一直是中醫(yī)診斷領域探索的目標之一。眾多專家學者圍繞中醫(yī)辨證問題進行了研究，提出了形式多樣的中醫(yī)辨證數(shù)學模型和知識表達方法，包括邏輯符號推理、模糊邏輯運算、數(shù)理統(tǒng)計、案例推理、機器學習等[11-15]?？v觀整個中醫(yī)辨證智能化發(fā)展脈絡，可以將研究方法籠統(tǒng)地歸納為知識工程、數(shù)理統(tǒng)計、機器學習和深度學習四大類。

2.1 知識工程

1978年國內(nèi)掀起了中醫(yī)專家系統(tǒng)的研究熱潮。通過總結名老中醫(yī)專家的診療知識，利用邏輯符號語言將其表示為產(chǎn)生式規(guī)則，形成知識庫；利用前向推理、反向推理等策略，實現(xiàn)中醫(yī)知識的推理和決策，進而模擬中醫(yī)專家思維，實現(xiàn)自動化診療。其中比較有代表性的有關幼波診療肝病計算機程序、鄒云翔中醫(yī)腎病計算機診療系統(tǒng)、姚貞白婦科專家診療系統(tǒng)等[16-18]。利用知識工程方法構建中醫(yī)辨證模型推理邏輯清晰，容易被中醫(yī)專家認可。然而，將中醫(yī)知識抽象成規(guī)則是一項復雜的工作，經(jīng)常出現(xiàn)規(guī)則不準、規(guī)則不全等問題；此外，當規(guī)則較多、推理鏈較長時，容易出現(xiàn)前后矛盾的推理，甚至循環(huán)推理等問題[16]。隨著科學技術的發(fā)展，知識圖譜成為知識工程新的研究熱點，利用知識抽取、融合、推理等技術，構造較為完善的中醫(yī)辨證知識圖譜，有望實現(xiàn)更為科學的中醫(yī)智能辨證。

2.2 數(shù)理統(tǒng)計

利用加權求和、判別分析、回歸分析等模型構建中醫(yī)辨證模型。這類方法的特點是利用較為簡單的函數(shù)或者方程模擬中醫(yī)辨證。例如，朱文鋒教授自主設計“雙層頻權剪叉算法”和“加權求和浮動閾值運算”數(shù)學模型，成功研制了“文鋒”系列中醫(yī)輔助診療系統(tǒng)[2]。曾聃等利用逐步判別分析法對224例肝病患者的127個指標進行了建模，判別正確率達84.38%[19]。張啟明應用Logistic回歸分析分別對心病、肺病等進行了建模，實現(xiàn)了上述疾病的辨證分型[20-21]。數(shù)理統(tǒng)計方法簡單易用，在單一病證上尚可以達到較好的效果，但難以有效模擬非線性復雜病證的映射關系。

2.3 機器學習

隨著信息化的飛速發(fā)展，數(shù)據(jù)呈指數(shù)級的增長，海量數(shù)據(jù)為人工智能的發(fā)展帶來前所未有的數(shù)據(jù)紅利。以數(shù)據(jù)為基礎的機器學習方法逐漸成為人工智能研究的主流方向之一。在中醫(yī)診斷領域，機器學習方法也被廣泛地借鑒和應用，中醫(yī)智能辨證研究也進入了數(shù)據(jù)驅動的時代，出現(xiàn)了一大批研究成果。丁亮等[22]利用深度神經(jīng)網(wǎng)絡對976例原發(fā)性肝癌病例進行建模，成功建立了原發(fā)性肝癌證型診斷分類模型，診斷準確率達82.8%。蘇翀等[23]利用決策樹算法對230例慢性阻塞性肺病患者數(shù)據(jù)進行建模，建立了慢性阻塞性肺病辨證模型，診斷準確率超過90%。Xia等[24]利用多標記K近鄰算法(ML-KNN)對767例臨床病例進行建模，成功建立了代謝綜合征的辨證模型。這類方法大多針對單一疾病構建證候分類模型，將復雜的辨證問題轉化為幾個基本證型的分類問題，難以應對臨床復雜的多病證兼夾診斷問題，臨床適用性不強。

2.4 深度學習

廣義上講，深度學習屬于特殊的機器學習，但其與傳統(tǒng)以特征工程為基礎的機器學習又有著本質區(qū)別。其強大的自主特征學習和表示能力使其成為人工智能領域的新熱點。Pang等[25]將深度神經(jīng)網(wǎng)絡與注意力機制相結合，對10 910例艾滋病數(shù)據(jù)集進行了辨證模型構建，準確率達87.6%，表現(xiàn)優(yōu)于其他模型。Liu等[26]將RCNN、Text-HAN等多種深度學習模型應用于1 206例肺癌患者的辨證分型，最優(yōu)的模型F1值達到88.84%。深度學習模型構建需要大量的訓練樣本，數(shù)據(jù)的規(guī)模和質量影響著模型效果。此外，隨著網(wǎng)絡層數(shù)的增加，模型結構越發(fā)復雜，其可解釋性也越來越差。醫(yī)學診斷希望有較強的規(guī)律性和可解釋性，其黑箱特性也制約了其在醫(yī)療領域的應用。在深度學習領域，也有學者開始關注模型的解釋性研究，取得了一些成果，隨著研究的深入，有望在未來解決深度學習模型的解釋問題。

3 中醫(yī)辨證智能化面臨的問題和對策

3.1 中醫(yī)辨證本身規(guī)范化和標準化問題

中醫(yī)辨證智能化離不開統(tǒng)一規(guī)范的辨證理論支撐。歷代醫(yī)家提出了多種辨證方法，它們相互交織、互為補充，共同指導著中醫(yī)臨床實踐。而如何有效地甄別選用辨證方法？如何讓辨證結果規(guī)范統(tǒng)一？如何讓辨證可量化、可重復？這些問題嚴重阻礙了中醫(yī)辨證的智能化發(fā)展。誠然，圍繞某一學術流派或者專家構建智能辨證系統(tǒng)也有其生命力，但從中醫(yī)現(xiàn)代化和國際化發(fā)展的角度而言，圍繞統(tǒng)一規(guī)范的中醫(yī)辨證理論體系構建智能辨證系統(tǒng)，對中醫(yī)的發(fā)展更有裨益。

因此，應當對中醫(yī)辨證進行深入研究，在繼承以往辨證經(jīng)驗的基礎上，充分考慮辨證的靈活性和規(guī)范性，以及證的層次性和結構性，實現(xiàn)辨證的規(guī)范化和標準化。在這一方面，眾多學者做出了杰出工作。例如，朱文鋒教授提出“證素辨證學”[2]，采用“根據(jù)證候、辨別證素、組成證名”的辨證原則，系統(tǒng)總結了常見證素及其組合規(guī)律，實現(xiàn)了辨證的規(guī)范。周仲瑛教授提出“病機病證學”[27]，總結了病機十三條，建立了病機辨證網(wǎng)絡及其交叉復合關系，執(zhí)簡馭繁的指導臨床辨證。吳承玉教授提出“藏象辨證學”[28]，以五臟系統(tǒng)為病位核心，按病性分類立證，采用單一病性和病位組成基礎證，再由基礎證組成臨床上復雜的證型，實現(xiàn)了辨證的靈活和規(guī)范。

3.2 中醫(yī)標準數(shù)據(jù)集的統(tǒng)一規(guī)范問題

當前，人工智能發(fā)展進入了以數(shù)據(jù)為基礎的智能時代，模型訓練依賴大樣本標記數(shù)據(jù)的學習，海量優(yōu)質的標準數(shù)據(jù)集對智能辨證模型構建顯得尤為關鍵。然而，由于客觀化的四診信息采集普及程度不高，中醫(yī)標準規(guī)范的缺位，以及臨床數(shù)據(jù)隱私保護等多方面原因，導致中醫(yī)領域難以形成大型的標準數(shù)據(jù)集，特別是涵蓋四診客觀化數(shù)據(jù)的標準數(shù)據(jù)集。

因此，要進一步普及四診采集設備，最大限度地采集客觀化數(shù)據(jù)；建立、健全中醫(yī)數(shù)據(jù)采集、存儲、分析、利用、保護等相關規(guī)范和標準，加強規(guī)范和標準的執(zhí)行和落地；依托國家和省級中醫(yī)藥數(shù)據(jù)中心，構建統(tǒng)一規(guī)范的中醫(yī)標準數(shù)據(jù)集，為智能辨證模型構建提供優(yōu)質訓練數(shù)據(jù)。當前，以中國中醫(yī)科學院為代表的研究機構已經(jīng)開始嘗試建立中醫(yī)藥知識圖譜、中醫(yī)古籍數(shù)據(jù)平臺、中醫(yī)臨床大數(shù)據(jù)平臺等[29-31]，為今后統(tǒng)一規(guī)范的中醫(yī)標準數(shù)據(jù)集建立奠定了基礎。

3.3 智能方法的設計和選用問題

中醫(yī)智能辨證模型的構建大多直接應用較為成熟的人工智能方法。然而，無論是知識工程、數(shù)理統(tǒng)計、機器學習還是深度學習等方法都存在各自的局限性。知識工程難以解決推理鏈過長導致的矛盾推理和循環(huán)推理問題；數(shù)理統(tǒng)計難以有效模擬中醫(yī)辨證非線性的復雜映射關系；機器學習過分依賴大樣本高質量的標注數(shù)據(jù)；深度學習的數(shù)據(jù)依賴性和可解釋性也受到行業(yè)詬病。

因此，要充分認識到不同分析方法的優(yōu)缺點，根據(jù)具體問題和數(shù)據(jù)特點，選擇合適的方法；此外，可以嘗試將多種方法融合起來建模，取長補短，實現(xiàn)更為精準的辨證；最后，要根據(jù)中醫(yī)辨證思維特點(如病證結合、從癥辨證等)，設計符合中醫(yī)辨證理論的智能辨證數(shù)學模型，兼顧模型的準確性和可解釋性，更好地模擬中醫(yī)辨證思維，服務中醫(yī)臨床。

4 中醫(yī)辨證智能化發(fā)展趨勢

中醫(yī)辨證智能化需要以統(tǒng)一規(guī)范的中醫(yī)理論為指導，設計相應的數(shù)學模型，切實處理好先驗知識和臨床數(shù)據(jù)之間的關系，實現(xiàn)符合中醫(yī)“以象測藏，從癥辨證”思維的中醫(yī)辨證模型，實現(xiàn)真正意義上的類腦計算和認知智能。

4.1 多模態(tài)數(shù)據(jù)的相互融合

多模態(tài)是指兩種以上的來源或者形式的數(shù)據(jù)，例如四診通過觸覺、聽覺、視覺、嗅覺采集的不同類型的數(shù)據(jù)(圖像、文本、聲音、視頻等)[32]。當前，多模態(tài)機器學習已經(jīng)成為人工智能領域的熱點之一，旨在通過機器學習的方法實現(xiàn)處理和理解多源模態(tài)信息的能力。目前比較熱門的研究方向是圖像、視頻、音頻、語義之間的多模態(tài)學習[33]。眾所周知，中醫(yī)辨證講求望聞問切、四診合參，這一過程產(chǎn)生多模態(tài)數(shù)據(jù)，將這些數(shù)據(jù)融合建模，將有效提升中醫(yī)辨證的客觀性和準確性。然而，傳統(tǒng)的中醫(yī)智能辨證模型大多基于病案數(shù)據(jù)資料進行建模，其四診數(shù)據(jù)均為醫(yī)生的主觀記錄，缺乏客觀數(shù)據(jù)的支撐。隨著數(shù)據(jù)采集技術的發(fā)展，通過舌象儀、脈診儀等設備，可以有效采集患者的四診信息，通過多模態(tài)機器學習，將多模態(tài)數(shù)據(jù)進行融合，利用多模態(tài)之間的互補性，剔除模態(tài)間的冗余性，從而學習到更好的特征表示，進而達到更為客觀、精準的中醫(yī)辨證。

4.2 知識和數(shù)據(jù)的交互增強

中醫(yī)辨證是一個復雜的思維過程，既有依據(jù)中醫(yī)辨證先驗知識的邏輯推理，也有基于臨床大量醫(yī)案的歸納演繹。如何有效地利用中醫(yī)辨證的先驗知識，實現(xiàn)知識增強的中醫(yī)智能辨證已成為下一階段中醫(yī)辨證智能化研究的重要方向。當前，以深度學習為基礎的知識表示學習已經(jīng)開始應用到機器翻譯、智能問答等領域，取得了令人矚目的成績。將該技術遷移到中醫(yī)領域，從中醫(yī)典籍中整理出中醫(yī)知識，利用表示學習技術將先驗知識表示到低維稠密向量，將其與大樣本臨床數(shù)據(jù)一道進行訓練，實現(xiàn)歸一化的語義表示和多尺度知識融合，進而達到知識和數(shù)據(jù)的交互增強，實現(xiàn)更為精準和智能的中醫(yī)辨證。

4.3 多決策模型的相互協(xié)作

傳統(tǒng)的中醫(yī)智能辨證應用只有單個模型進行辨證，模型準確率往往不高。將多個決策模型進行融合，采用類似專家會診的模式，可以大大增強辨證的準確性。從技術角度而言，可以從數(shù)據(jù)層面、特征層面、模型層面等進行模型設計。例如，在數(shù)據(jù)層面可以采用集成學習的思想，對數(shù)據(jù)進行多次采樣建模，前一個模型的殘差作為后一個模型的輸入，實現(xiàn)協(xié)同決策；在特征層面，可以分別抽取望、聞、問、切相關特征，將這些特征融合后進行建模和決策；在模型層面，可以利用不同的數(shù)據(jù)抽樣規(guī)則，或者不同的算法構建決策模型，之后采用加權投票的方式進行模型協(xié)同決策，提高辨證的準確率。

4.4 多交互模式的人機協(xié)同

中醫(yī)臨床診療是醫(yī)患之間的交互問答過程。這種交互極具針對性和目的性。隨著語音識別、文語轉換、腦機接口等技術的發(fā)展，圍繞中醫(yī)診療場景，可以建立智能辨證程序與患者之間的智能語音交互。通過人機之間的問答，實現(xiàn)智能問診，通過舌脈等采集終端，進行舌脈數(shù)據(jù)的采集，之后再由算法進行分析，根據(jù)分析結論再進行針對性的問診，進而模擬真實世界的中醫(yī)診療過程，實現(xiàn)更為智能的中醫(yī)辨證。

5 結語

中醫(yī)辨證屬于思維科學、系統(tǒng)科學、復雜科學范疇，具有豐富的科學內(nèi)涵。深入研究辨證的原理和規(guī)律，建立科學規(guī)范的數(shù)字化和智能化辨證方法，對中醫(yī)現(xiàn)代化發(fā)展具有重要意義。以中醫(yī)辨證理論為指導，建立科學合理的數(shù)學模型是中醫(yī)辨證智能化研究的關鍵。眾多學者圍繞這一領域進行了深入探索，取得了豐碩成果，也遇到了諸多問題。在新一代人工智能發(fā)展的新時代，中醫(yī)辨證智能化迎來新的機遇和挑戰(zhàn)?？偨Y過往研究經(jīng)驗和教訓，展望未來發(fā)展趨勢，可為今后中醫(yī)辨證的智能化發(fā)展提供參考。