人工智能在中医药领域的应用进展及现状思考

孙忠人，游小晴，韩其琛，徐思禹，尹洪娜

（1.黑龙江中医药大学第二临床医学院 哈尔滨150040；2.黑龙江中医药大学附属第二医院 哈尔滨150006）

近年来，随着科学技术的迅猛发展，人工智能（Artificial Intelligence，AI）已经融入社会的多个领域。从20世纪中期发展至今，其技术日臻成熟，在医疗领域的应用场景亦愈发丰富，图像分析、语言识别与健康管理等技术大放异彩，智能医疗产品与手段的普及使得“AI+医疗”被认为是最具发展前景的领域之一。中医药传承千年，以其独特的理论体系、丰富的临床经验和科学的思维方法影响着现代医学，辨证论治作为其基本原则和主要特点，构成中医药个体化诊疗体系，与国际精准医疗接轨。然而中医药的传承之路仍旧面临着数据分散、人才缺失和技术局限等痛点，故而在承继前贤的基础上，如何推进发展、持续创新，使中医药走向现代化是亟待解决的问题。

AI与中医学均为多学科交互渗透的产物，且前者注重整体效应、强调开放动态、重视经验思维、关注预测推理的思维模式[1]与中医理论体系中秉承形神一体、天人相应的整体观念以及侧重功能联系、宏观观察的中医学思维特点不谋而合[2]。因此AI与中医药的有机结合，将是中医药发展的良好契机。与此同时，我国政府亦大力支持AI在医疗行业中的发展，与之相关的发展规划与重大科技项目陆续步入实施阶段，其中，以中医药领域现代化产物为标志的一系列重大专项课题标志着“AI+中医药+健康”的战略形成，AI已经成为国家战略与发展意愿。本文将从AI在中医药领域的应用进展、争议挑战以及对策展望方面，就近年来国内外研究进展进行总结，以期为AI视域下实现中医药现代化、智能化赋能。

1 人工智能与深度学习

人工智能作为21世纪世界三大尖端技术之一，是一门综合计算机科学、心理学、仿生学、控制论以及哲学与认知等多学科交叉合作的前沿学科，用以模拟人类思考判断并扩展人类智能。1956年，约翰·麦卡锡博士于达特矛斯会议上首次提出人工智能的概念[3]，随后，逻辑理论算法与机器学习等方法相继问世，开辟了AI持续发展的道路。

我国最早将AI技术应用医疗领域的研究可追溯至上世纪70年代[4]，在经历了40余年的发展沉浮后，自2018年至今AI在医疗领域得到了全面而深化的发展，从理论探索到设备开发，应用深度学习或卷积神经网络的研究遍地开花[5]。深度学习（Deep Learning，DL）是机器学习的方法之一，通过对样本数据内在规律与层次特征的感知学习，进行复杂关系建模，从而发现数据的分布表示或类别属性，最终实现模拟人脑对图像、文字和声音的识别与分析等高级决策任务。卷积神经网络（Convolutional Neural Networks，CNN）是DL的代表算法之一，其仿造生物视觉机制构建，在图像分析和语音识别方面优势明显[6]。云平台、互联网、大数据三者联合构建样本数据库，DL基于不断扩大的样本数据库精进算法、改良模型，从而提高识别精度，能够刻画数据丰富的内在信息，最终实现中医智能化辅助诊疗[7]。目前，AI在中医范畴的应用主要体现在辅助诊断、决策治疗、专家系统以及健康管理等方面，不仅提高了临床诊疗效率，推进了临床信息客观化，更为中医药后续发展提供无限可能。

2 AI与中医诊断

2.1 智能化中医四诊

2.1.1 望诊

望诊居于四诊之首，古来素有“望而知之谓之神”之说，其以最直观的方式反映人体的外部情况。图像分析是AI技术领域的一个分支，它可以采集图像并对其加以处理和识别，最终呈现分析结果，从而构建中医临床信息的智能识别分析模式，该模式下以舌、面望诊的研究最为广泛。

舌象是中医诊断的重要组成部分，明清时期温病学家就极为重视辨舌验齿。《医门棒喝》有言：“观舌本可验其阴阳虚实，审舌垢即知其邪之寒热浅深也。”可见舌象在疾病发展过程中变化迅速且鲜明，是医生诊病辨证的关键依据。目前舌象的智能化采集多依赖于数码相机成像，通过计算机将舌图像转化为模拟信号，经过可视化定量处理完成图像分析。同时，临床研究中也有根据舌诊的不同内容而采用光谱舌色校正、舌苔舌质分离和舌形舌态识别的仪器，针对性地收集舌象并建立舌象数据库[8]。数据库与中医理论相结合，搭载AI技术，实现舌象分类与自动分割场景，已经可以达到与人类感知高度一致的地步[9]。近年文献显示，基于CNN算法的舌象识别与提取模型在相关研究中表现良好，Xiaoqiang Li等提出了“凹面信息标记可疑区域—CNN提取深度特征—多实例分类器最终判定”的三阶段法对齿痕舌进行识别[10]；无独有偶，Xu Wang等同样提出使用ResNet34 CNN架构来提取齿痕舌舌象并执行分类，结果显示整体精度超过90%[11]。Dan Meng等在CNN基础上创建了一种名为约束高分散 神 经 网 络（Constrained High Dispersal PCANet，CHDNet）的新型特征提取框架，用于提取无偏特征的舌象。他们引入高分散操作和多尺度特征分析，解决了旧模型的冗余问题且避免了变形等敏感性问题，使模型具有更高的准确性，并能提供更多的分类信息，同时减少了人力成本[12]。CNN还被用来探索舌象与疾病之间的关系，Usharani等从舌象热图分割热点区域并提取特征，再通过机器学习对正常人和糖尿病人的舌象进行分类，绘制基线测量值和舌面热分析图，同时开发计算机辅助诊断系统以对二者进行分类。结果显示糖尿病人舌面温度高于正常值，且CNN分类器准确率高达94.28%[13]。

面部望诊包含神色的整体观察和头面的局部观察。《灵枢·本脏篇》曰：“视其外应，以知其内脏，则知所病矣。”脏腑精气上荣于面，经络血脉汇聚于面，顺应“神形合一”的整体观念，遵循司外揣内、见微知著的中医诊断基本原理，其色泽形态可直接反映机体精神的状态与脏腑气血的盛衰。且《灵枢·五色》与《素问·刺热》中皆有关于面部分候脏腑的论述，可见“望面”在辨别病位、洞察病机方面优势明显，对于疾病的早期筛查和诊断意义重大。因此，AI之面部识别是现代化望面的核心技术，运用图像分析方法对患者面部照片的特定标志点进行特征提取，通过机器学习方法建立模型对已知的面部特征分类并纳入对应数据库，经过数据比对得出相应诊断结果[14]。在AI技术层面，面部分割一直是研究热点，以多重算法对其进行探讨[15]，将颜色与光泽作为特征进行训练，提取相关特征后对高维数据降维处理，随后以支持向量机（Support Vector Machine，SVM）模型为代表的分类器与数据进行加权融合，最终获得了极佳的识别精度与分类性能[16,17]。

2.1.2 切诊

脉诊是狭义的切诊，在中医诊断中有着不可或缺的重要地位。人体血脉流贯周身，运行气血，《灵枢·脉度》曰：“其流溢之气，内溉脏腑，外濡腠理。”可知脉象的盛衰正乖都是脏腑虚实、气血邪正的外在表现。将脉象这种相对抽象的感知搏动转化为具象的脉冲图形并进行定量分析，打造清晰明确、可重复的中医智能化脉诊系统有赖于电子传感器的精准采集与AI算法模型的不断革新。从“三部九候”到“独取寸口”，中医临床已经确立了脉诊的基本理论方法，由“寸、关、尺”三部全面获取脉象“位、数、形、势”四要素参数，经AI算法模型辨识，再与中医临床诊疗知识图谱深度融合是中医智慧切脉的基本研究思路。Anson等建立了一个基于人工神经网络的电子中医脉诊系统，通过脉冲装置收集左右寸口分部六个位置共八个元素的强度并提取形成物理参数，依照模型结构训练算法优化性能，最终经过临床试验得出最佳算法。该系统可以辅助收集远程医疗中的相关健康数据[18]。陆鑫根据妊娠期与非妊娠女性脉象不同，以妊娠检测为应用场景，结合信号处理与机器学习技术来构建数字化脉诊体系。该研究集成脉象信号的采集、提取、识别为一体，采用数字脉象仪收集数据并进行二维转化,建立初步的脉象数据库。结果发现极端梯度增强模型对妊娠脉象有最佳的检测精度,其识别率达到了87.5%[19]。

在智能脉诊相关的各路研究中，脉诊仪的使用无疑是关窍所在。在跨越半个世纪的中医脉诊现代化研究中，多位学者投身其中，从传感器种类到特征分析算法，硕果颇丰。以压力式传感器为代表的脉诊仪是临床常用的智能切脉仪器，且逐渐向便携式、可穿戴式设备发展。同时基于脉图数据库而进行的脉象与疾病相关性研究也为中医临床诊疗的持续发展拓宽思路[20]。

2.1.3 闻诊与问诊

中医闻诊听声嗅味，《素问·阴阳应象大论篇》有云：“审清浊而知部分，视喘息听声音而知所苦。”阐明了闻诊在疾病诊断中的重要地位。声音的变化有助于了解机体的病情轻重与正邪消长。以高也陶二十五音分析仪为开端[21]，到目前普遍使用的语图仪、频谱仪等多功能声音检测仪器，可将声音转化为数字化、可视化数据进一步处理，针对临床特定证型患者，分析其特征参数[22]。Jianjun Yan等通过对肺气虚证、肺阴虚证患者及健康人的声学特征进行提取，基于分形维数与小波包变换进行SVM模型分类训练，以达到辅助辨别中医证型的目的[23]。病理性气味多由邪气侵扰，气血失衡，脏腑失调产生，故而嗅辨异常气味可帮助诊病辨证。以电子鼻为代表的科研技术实现了对单一或复杂气体的分析识别，气味传感器的研发加速了AI与闻诊的融合，机器学习算法的进一步开发使基于中医理论下，预测分子的气味属性变为现实[24,25]。Chunsheng Wu等基于味觉与气味感觉的分子机制研究，总结了目前以生物传感器检测气味并研究配体-受体相互作用的方法，将生物体内的味觉、嗅觉细胞与受体等作为敏感因素来收集信号；同时可利用微电极植入技术记录动物体内的信号传导[26]。

问诊自古以来受历代医家重视，张景岳更奉问诊为“诊病之要领，临证之首务”。它是了解病情、诊察疾病的重要方法，通过与患者的沟通交流获取临床信息的首要资料。智慧型中医问诊离不开语音识别技术，电子问诊系统实现人机对话，需要对日常语言进行辨别与转化，所以构建优良的语言模型是数字问诊的关键技术。自然语言处理（Natural Language Processing，NLP）系统可从非结构化文本中甄别有效信息，与深度学习、语音识别共同构成AI问诊系统的核心中枢，该系统基于大数据云计算平台构建的中医药病例知识库，在自动采集、症状推理、辅助诊断方面广泛应用[22]。随着AI研究的不断深化，利用CNN提高语音识别效率，增加模型的鲁棒性，为进一步实现AI听声辨病贡献中坚力量[27]。

中医四诊之“闻诊”与“问诊”的智能化研究是通过对声音、气味及语言的分析整合以获得临床信息，然而目前针对二者的智能型诊疗设备等相关研究相对较少。高敏度仿生传感器的研发是中医闻诊客观化的基础，以语音识别为核心的电子问诊系统，在自然语言处理方面尚存难以攻破的技术难点，对内容的有效界定以及消除歧义与模糊性均是未来发展的研究重点。

2.1.4 四诊合参

中医四诊之“望闻问切”是从不同角度检查病情和收集资料的基本方法。四诊并重，诸法合参，加之司外揣内的基本原理，方能测知机体变化。可见四诊之于诊断，正如形体之于精神，相辅相成，不可缺一。然而在传统中医临证过程中，通过四诊收集的信息易受医者主观因素影响，与医者个人经验息息相关；同时患者的自身状态、所处环境也容易导致一定程度的判别差异。故而采用AI技术打破常规方式，遵循数字化、客观化原则对中医四诊信息进行采集，不仅规范了四诊信息的收集模式，还弥补了临床医生由于自身经验认知所造成的偏差。再结合互联网大数据云计算等相关技术，实现AI与中医四诊的碰撞融合，推进中医诊断智能化进程。近年间，随着该进程的不断推进，四诊合参智能化趋势渐显，但目前由于不同诊法设备分类标准不统一，信息来源存在差异，故四诊合参智能化尚存较大发展空间[15]。

2.2 数字化中医辨证

辨证论治是中医学的基本特点与核心思想，其依据中医理论独有的思维体系，通过对证的分析整合而实现对病的诊断治疗，由辨证而知病因、明病位、悉病性、晓病势，辨证即诊断之要务。将中医辨证思维与AI技术渗透融合，塑造智能化、客观化且可重复操作的规范性系统模型可以为中医辨证的科学性提供理论支持，同时为中医临床诊疗提供更加高效、便捷的实践助力。近年来许多相关研究都在探索这一尝试的可行性。

Qingchen Zhang等提出了一个基于边缘云计算系统的统一智能中医框架，该框架融入深度学习算法来建立模型，再通过高血压和感冒的辨证分型进行验证[28]。最终实现了计算机辅助辨证和处方推荐。阴阳为八纲中的总纲，是辨别疾病属性的两个纲领。阴阳失调则疾病丛生，故而阴阳辨证对中医临床诊断至关重要。Qinan Hu等将医疗记录中的非结构化文本作为输入，利用CNN和fastText两种端到端算法进行实验，准确率达到92.55%，证实了端到端文本分类算法在非结构化健康记录中进行阴阳辨证的可行性[29]。中医在治疗晚期肺癌，延长生命方面颇有成效，准确地辨证对治疗起到举足轻重的作用。Ziqing Liu等同样以非结构化文本的医疗记录作为输入，使用端到端模型建立肺癌辨证分型的中医诊断模型。此举可以使医疗记录的利用率最大化，通过数据增强和模型融合，基于深度学习的多标签分类法可以更好地模拟晚期肺癌等复杂疾病的中医辨证[30]。中医的症状体征与证候之间是复杂而非线性的关系，Guoping Liu等据此采用深度学习与多标记学习构建中医慢性胃炎的辨证模型。结果表明深度学习可以提高辨证的准确性，同时为临床实践提供参考[31]。

2.3 系统化辅助辨病

辨病是基于中医基础理论，综合分析四诊信息，以科学性思维进行缜密逻辑推演，从而判断疾病病种，结合病种的特点及规律得出病名诊断的思维过程。利用AI技术辅助完成这一过程是中医诊断现代化的研究目标，可辅助医疗人员进行诊断决策的智能系统称为辅助诊断系统。

数字化医学时代，AI辅助诊断系统可以模拟医生诊断和治疗中的演绎推理过程。Hong Zhang等使用CNN算法开发了一种AI辅助诊断系统。鉴于疾病与证候的非单一线性关系，该系统旨在诊断中医常见疾病与相应证型。采用自然语言处理技术中双向长短期记忆网络条件随机森林的递归神经网络模型处理非结构化电子健康记录，提取特异性症状体征。再利用CNN构建的综合学习模型预测187种疾病及其证型，结果显示该系统预测准确率均在80%以上，具有良好的准确性与较强的泛化能力[32]。

2.4 标准化体质辨识

体质是个体在生理上相对稳定的身心特性，在生命过程中综合先天禀赋和后天修养而成。目前中医界公认王琦教授分类表述的9种体质最具代表性，分别为平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质[33]。体质差异使得个体对某些病邪的易感性不同，并在一定程度上决定着疾病的转归预后，因此体质辨识对了解疾病的病因病机、指导辨证治疗十分重要。

AI助力体质辨识自动化已有近10年的历史，自许在安等研究设计了中医体质辨识智能分析模型后[34]，又有学者分别以面部图像或脉搏波为载体，基于AI技术算法开发体质自动辨识系统。Eryang Huan等提出基于深度CNN的人体构成识别算法，根据面部图像对个体构成类型进行分类。将面部特征与颜色特征相结合，再使用分类器获得相应体质结果，准确率达到65.29%[35]。张毅等探索光电容积脉搏波频域分析针对气虚质辨识，结果显示随机森林算法模型最优,准确性达到80.4%[36]。由于舌象在体质分类标准中具有明确表征且采集技术相对成熟，故而以舌象辨别体质的热度较高，潘思行等与Jiajiong Ma等皆提出相关设想并加以研究，结果显示SVM与深度CNN对体质辨别均有较高的准确性[37,38]。

3 智能决策与数据挖掘

3.1 专家系统

专家系统由AI衍生而来，于20世纪70年代进入医学视野，其内部含有医学专家水平的知识经验，综合语言分析、知识获取等技术，模拟医学专家诊病临证的思维过程，继承其丰富的诊病经验以及灵活的辨证逻辑，从而实现临床智能决策，包括精准诊断与个体化诊疗方案。其中具有里程碑意义的是1978年，关幼波教授率先开发出国内首个医学专家系统“关幼波肝病诊断程序”[39]，该系统基于中医学理论，为中医领域内专家系统的发展奠定了坚实基础。近年，Gang Zhang等基于深度集成学习策略分析建立了一个名老中医临床经验分析模型，旨在通过分析包含国际疾病分类（ICD-10）的标签注释的临床记录，达到有效诊断和穴位推荐的目的[40]。在我国，中医专家系统的应用领域涵盖了疾病辅助诊断、健康管理等方面，其构成立足于中医学丰厚的历史文化资源，得益于AI技术势如破竹的发展动态。

3.2 数据挖掘

古往今来，著名医家的临证经验和学术思想一直是中医药传承的宝贵财富，医者经多年临床实践与探索研究，形成完整的思维体系，对后世中医临床遣方用药具有极大的指导意义。而中医浩如烟海的文献古籍便是中医文化传承的主要载体，亦是中医药走向现代化的突破点与数据来源，包括上述专家系统的构建也离不开相关资源的挖掘整合，借助AI技术对相对零散的数据进行特征分析，挖掘隐藏规律并形成优势互补，为疾病的诊断与治疗提供更加多元化的思维。

何菊等为探索名中医治疗肺癌的用药规律，基于节点关联度和药物属性相似度构建中药向加权复杂网络，分析上千条医案方剂，围绕核心药物进行划分，揭示用药规律的同时生成高低频药物组合以启示临床[41]。电子病历信息为医疗保健发展提供经验与证据支持，然而电子病历数据的复杂性与抽象性使得病历信息精确化、系统化难以实现。Zhaohui Liang等提出“贝叶斯网络+支持向量机”的两步深度学习模型对电子病历进行信息检索以捕获相关数据的关键特征，其属性优于传统浅模型，提高了计算机辅助医疗决策系统的性能[42]。

中医药历史悠久，流派众多，各家理论思想亦不尽相同，如何在个性用药中发掘共性规律，完成对立统一的理论延伸，是现代中医人需要思考的问题。张子和与朱丹溪，一主攻下一善滋阴，二者用药差异显著，故而王瑞祥等以二人方剂建立数据集，以朴素贝叶斯和SVM进行模式识别。结果显示该算法将方剂明显区分，且后者更胜一筹[43]。此模型可作为比较临床医生方剂差别的指标。除却辅助临床实践，数据挖掘在学术理论研究中同样担当重任。从科学、系统的角度为中医学理论体系服务。Goli等根据Kitchenham系统评价方法回顾了2000年至2017年间的5个数据库。选定42篇与中医学机器学习相关的文献，从应用领域、常用方法、优点局限与评价方法四个维度进行归纳[44]。不仅指出数据挖掘技术是中医智能辨证的主要工具，还证明了机器学习是AI与中医交汇的关键优势所在。数据挖掘建立在特征词提取的基础上，Liangliang Liu等提出了一种基于BiLSTM+CRF的深度学习模型，并使用特征词提取中医临床术语，结果显示这种半监督模型可提高中医临床术语命名实体识别的效率与准确性，同时降低了手动注释的成本[45]。

4 AI与健康管理

21世纪以来，“健康生活”的理念已经深入人心，医学目的也逐渐从“疾病治疗为中心”向“维持健康为中心”转变。中医学历来注重预防、关注健康，早在《黄帝内经》中便提出了“圣人不治已病治未病，不治已乱治未乱”的“治未病”思想，其源于中医学“天人合一，形神一体”的整体观念以及“阴平阳秘，精神乃治”的理论基础。其思想内核与国际健康管理的概念颇为一致，故基于此核心理念的中医健康管理模式应运而生。KY3H模式是中医特色健康保障服务的新模式，以人为本的“知己”核心，联合健康文化、健康管理、健康保障三位一体的运行模式，搭载AI技术与中医药大数据辨识评估的技术支撑平台，为人类提供现代化自助式智能健康保障服务[46]。

状态是生命整体情况的外在表达，健康状态更是中医“治未病”思想与现代医学的理论交汇。中医诊断以四诊合参之形式，辨证论治之原则，依据“有诸内者，必形诸外”的司外揣内原理，对生命体的功能状态加以判断，是中医健康状态辨识的核心内涵。中医健康状态辨识是由证素辨证发展延伸而来，徐佳君等据此提出中医状态辨识七条规则，并采用AI算法加以转化实现，建立状态辨识模型，依据所采集的表征参数与证素的相关度进行状态要素的提炼分析，弥补了临床医师经验水平参差不齐致使参数采集缺漏的影响，及传统辨识方法以积分阈值为诊断基础的单一性，提升了中医诊断辨证的准确性与客观性，并且给中医健康管理带来了重要的理论指导意义[47]。

中医药健康管理在以“健康”为主导的核心观念下，开启了关注生命全周期、健康全过程的现代中医诊断新范式。从四诊合参、辨证论治的整体思维出发，依托于云平台、大数据的智能设备在不断的推陈出新中与中医理论结合得愈发紧密，云端数据平台的建立为形成规范化数据资源共享，节约人工辨析的成本与时间，提升效率，精确管理提供了有力支持。

5 AI与中草药现代化

我国幅员辽阔、地大物博，天然药材资源丰富，为中草药的发展提供了得天独厚的条件，与中药相关的文献典籍更是车载斗量。自先秦时期古籍所载“神农尝百草”，到明代李时珍编撰《本草纲目》，今日的中药学理论已然自成一体，并且细化出如中药鉴定学、中药化学及中药药理学等多种分支学科，这些学科的发展都与现代科学的进步密切相关。

5.1 规范化中药炮制

中药防治疾病的基本作用为祛邪扶正、固本培元，使机体恢复阴平阳秘的正常状态。炮制是中草药必经的加工处理过程，如山羊角预处理的关键步骤——水解，然而，水解样品的物理化学复杂性是水解过程中分析和监测的挑战。Xu Yan等首次报告了利用CNN开发基于在线拉曼光谱的定量校准模型，用于监测山羊角水解过程，并与偏最小二乘校准模型比较，结果显示前者性能优于后者[48]。

5.2 客观化中药性能

中药性能是中药学理论的核心，包括四气五味、归经、升降沉浮与毒性等。将AI技术应用于中药药性现代化研究领域可以进一步从科学角度阐释中药的作用机制，为中医药走向世界添柴加薪。Zhao Chen等为探索中草药特性理论内涵，对88种清热药与45种活血化瘀药进行研究，检测了两类草药的性味归经，采用传统机器学习与深度学习等4种方法，并分别评估以确保其鲁棒性。结果显示深度学习在灵敏度、精密度、准确度、特异性方面均达到100%，表明深度学习在预测中草药药性时具有较好的泛化能力和准确性[49]。Yinyin Wang等与Yeh等也对中药归经原理表现出兴趣，在对草药活性成分标记后，分别采用机器学习和CNN模型进行预测，结果均证明AI算法可以解释草药与经络之间的关系[50,51]。中药归经与疾病归经紧密相关，归经以脏腑经络理论为基础，以所治病证为依据，掌握归经，有助于提高临床用药的准确性。Chen的团队进行了两项中药有效成分与疾病相关性的研究。在已知特异性酶与阿尔茨海默病、恶性肿瘤相关性的情况下，通过深度学习方法构建预测模型，最终获知有效成分与之相配最为稳定的中草药[52,53]。中药的副作用是指在常规剂量下出现的与治疗无关的不适反应。Yuanzhe Yao等为预知处方是否会导致药物副作用而开发了一种基于本体的AI辅助药物副作用的预测模型，由药物、治疗、AI辅助检测三部分组成。建立人工神经网络并用方剂作为训练集。结果表明该模型在AI辅助的药物副作用预测中表现出良好的潜力，继续扩大相关数据库可进行更加深入的探索以提高预测的准确性[54]。

5.3 创新化中药评价

中药本身的质量与种类也关系着临床疗效的基础。Gang Bai等提出合理智能的质量标记来制定中药质量评估策略。利用中药材的独特差异，筛选其中的化学标记物，依照AI算法进行基于质量标记的系统分析测定，建立起整体质量控制和可追溯性系统[55]。Chaoqun Tan等提出使用CNN对花椒种类进行识别的新思路。基于多种深度学习方法，同时评估CNN模型性能，最高识别精度达到99.35%[56]。除此之外，AI在核查用药禁忌，高通量筛选药物资源以及评估新药有效性与安全性等方面均有助力[57]。

6 不足与展望

当前，日新月异的AI技术不断在中医药领域的科技创新中崭露头角，然而与之相关的争议问题也莫衷一是。中医临床诊疗信息是中医药大数据的根本来源，然而临床资料的采集必然关乎患者的个人敏感信息，在数据隐私保护体系尚未完善的今日，如何在资料收集、存储、管理及共享等一系列过程中使信息采集与隐私保护得以两全，明确各个环节的权责归属是中医药现代化亟待解决的问题[58]。且从伦理角度观之，AI目前处于弱智能阶段，独立意识尚未成形，无法以道德标准对其进行约束[59]，因此出台相关政策法规势在必行，加强监管力度、限定使用范畴是对伦理道德及法律权益的保障。

AI为中医药现代化发展奠定科技基础，而基于云端数据共享的AI算法更是不可或缺的一环。高质量的医疗大数据赋能AI模型高水平化，促使中国医疗产业升级。其源于医疗单位电子病历系统、医疗保险系统、疾病登记系统、公共卫生调查与公共健康监测、基因组学数据库、出生/死亡登记数据库以及移动设备端的数据等，在人们疾病防治、健康管理的过程中产生[60]。然而数据标准化的缺失使得规范化的信息数据库难以形成，各系统间数据合并困难，数据孤岛现象严重，实现数据共享更是举步维艰。同时由于中医症状体征与证候间的非单一线性关系，中医辨证论治的思维体系更非定向的线性逻辑，所采集的临床资料数据便涉及到复杂性、多维性和相对模糊性，由此带来的数据分析障碍是制约中医药数字化发展的瓶颈所在。且目前所呈现的医学AI相关成果多属于诊断层面，使得临床转化应用进退维谷[61]。由此可见，制定统一的医疗数据采集标准，将数据采集、处理、分析过程全面整合规范，保持中医诊疗个性化基础上实现信息标准化，建设以交互联通为核心原则的医疗大数据共享平台是中医药现代化的必经之路。

AI在我国中医药领域的起步稍晚，学科间的思想交流尚未深入，致使学科研究中尚存不易突破的技术难关，以成熟的AI设备辅助中医临床诊断治疗与中药产业成果转化依然任重道远。兼具中医药与AI背景的交叉型专业人才缺乏，使得融合AI技术的中医药智能设备所呈现的结果难以通俗地向大众解释其医学与技术原理，对于取得使用者的信任存在考验。中药产业链各环节发展不均衡，工农业资源整合不利是中草药现代化亟需解决的问题。在理论模型建立后向中医临床以及中药资源实用性产业转化过程中，相关智能设备在真实诊疗环境中对于复杂数据的处理能力，输出图像的质量差异以及使用者的配合程度都是智慧中医药产业链打造过程中需要着重考虑的要点。

随着AI与医疗领域的融合不断加深，AI技术在中医药范畴内的应用方兴未艾。数字化中医四诊，智能决策系统，中医健康管理以及中药理论现代化研究都取得了长足进展。智慧中医的形成离不开大数据、云平台以及互联网的鼎力支持。而中医药大数据的典型特征是持续循环、动态处理、整体系统、价值可见[62]，从宏观数据建立微观联系，从算法演变转化认知信息，AI技术赋能中医药大数据形成收集-分析-诊断-治疗的一体化现代中医辨证思维策略。

从天人相应的整体观念到辨证论治的思维体系，放眼中医药领域的未来，AI技术为中医药突破桎梏、打破壁垒，构建以中医理论为主体，以AI为载体的新时代中医现代化诊疗模式持续助力。