中西医结合在慢性病和疑难病的治疗方面具有上风。
在这次新冠疫情中，湖北省确诊病例的中医药利用率和治疗总有效率均超过了90%，中西医结合的疗效得到了肯定。
但中医诊疗思维的传承与中西医结合的未来发展仍面临着严厉寻衅。
从20世纪50年代起，人们试图利用信息化技能进行中医四诊的客不雅观化探索；70年代起，国内外考试测验研发具备专家临床诊疗思维的中医专家系统，但始终无法较好地仿照中医师辨证论治过程；90年代以来，随着人工智能（artificial intelligence, AI）技能的不断打破，中医专家系统开始利用神经网络模糊逻辑、关系数据库等技能方法，挖掘中医大数据，并进行客不雅观化、规范化、定量化研究。
但是完备基于数据驱动的办法学习模型参数，难以将中医师长期临证总结形成的履历和知识融入模型，故而难以对模型学习过程施加有效约束。

近年来，长于处理非线性问题的人工神经网络及长于处理高维数据的决策树和随机森林算法都被运用于中医模型构建。
但不同于当代医学具有近乎统一的明确的诊疗规则，多元化的传统中医诊疗理论之间存在交叉，不同中医学派及不同中医师的诊疗规则也存在交叉，导致难以储备相同规则体系的高质量中医大数据。
面对小样本演习乃至零演习样本等真实现状，可以考虑利用规则化可阐明模型完成病证结合下的知识+AI领悟。

证候是中医学辨证论管理论体系构建与临床运用的核心，是通过病因、病位、病性对人体疾病病理、生理变革的整体概括，是“辨证”（总结归纳症状群特点）的结果和“论治”（决定治疗原则与详细治疗方法）的依据，具有多层次性、繁芜性、抽象性、高维度性的特点。
但是每种辨证纲领的利用范围存在区分界线模糊，运用处景重叠度高，辨证内容交叉等问题。
这导致基于中医专家系统开具处方的准确性不敷，给诊断规范化及中医智能化研究带来很大困难。

有鉴于此，在病证结合的人工智能研究中，证候要素可作为基石联系诊疗过程中症状、治法、中药、方剂等内在要素。
任何繁芜的证候，都是由病位、病性、邪正关系等详细维度交叉确定，每一维度的详细表现即可认为是该辨证维度的要素。
研究创造，通过降维升阶的办法，可分离出60项旁边的证候基本辨证要素，对基本辨证要素进行排列组合，可覆盖中医证候类型。
就像字母是构成单词的最小单元一样，中医领域中的证候要素，是组成证候的最小单元。
不同于证候的繁芜、高维，每一证候要素均具备详细的症状群，也具备不同于其他要素的特异性，通过组合、叠加，可形成临床所见的证候，即证候要素具有低维度、可叠加、可组合等特点。
而每一证候要素均有其对应的治法、中药或药物组合，明确了证候要素及证候要素组合形态，即可相应确定治法、方药。

以冠心病为例，对证候要素为核心的中医诊疗流程进行剖析。
冠心病患者的所有临床表现均可归于血瘀、气虚、痰浊、阴虚、气滞、阳虚、寒凝、热蕴八大证候要素，通过叠加、组合可成为气虚血瘀、气阴两虚、痰瘀互结、气滞血瘀、痰阻热蕴和阳虚寒凝等证候类型。
根据证候要素与治法的对应关系，可知冠心病的中医治疗方法可包含活血、益气、化痰、滋阴、理气、温阳、散寒、清热等；根据治法可得到对应的方剂、药对或单味中药，如冠心2号方等方剂，党参-黄芪、荜茇-高良姜等药对，以及丹参、三七等单味中药；再根据证候要素组合形态进行药物组合，可对应血府逐瘀汤、瓜蒌薤白半夏汤等冠心病治疗的代表方药。
由此可知，证候要素的叠加组合是药物方剂变革加减的依据和关键，可整条约一不同来源的中医诊疗规则。

算法是人工智能领域的主要技能，是研究中医人工智能系统的主要路径。
在中医人工智能算法的选择上，我们该当谨慎考虑实在用性。
对付四诊证候信息的识别，考虑病例数量，可以选择贝叶斯网络和支持向量机，由于其在小规模数据上表现良好，对数据噪声较为鲁棒。
但该算法运用于真实天下的大数据量样本中则打算难度增大故而影响实用性。

中医证候体系的繁芜性决定其研究应从非线性设计动手，人工神经网络以其精良的非线性问题解析能力，可以仿照人脑神经网络的构造和功能，对数据进行有效处理，识别出数据中隐蔽的繁芜规律，对确定中医证候问题具有上风。
但神经网络算法对数据的标准化水平有较高的哀求，并且演习须要数据规模较大，而目前中医数据的标准化水平不敷，导致缺少大量的演习数据，这是制约此算法发挥浸染的主要成分。

中医诊疗过程的完备仿照和多维、繁芜数据的处理一贯是中医人工智能研究的难题。
决策树和随机森林算法都长于处理高维数据，探究数据的特色之间的相互浸染关系，符合数据的哀求。
但决策树随意马虎过拟合，可导致准确率低落。
随机森林算法是用随机的办法建立多个决策树，善于处理不平衡数据。
利用随机森林算法对慢性疲倦中医证候要素建立预测模型的研究，已取得较高的预测准确率。
但其可调控性不敷，模型对付小规模数据不能较好的分类，运用于中医领域同样存在数据来源受限的问题。

只管人工智能已经在中医学领域取得了一些有代价的成果，但紧张存在两个方面的问题。
一是标准化、客不雅观化数据缺少的问题。
人工智能打算须要大量的标准化、客不雅观化数据，但受限于中医行业的分外性，网络的数据流派化、主不雅观化特色显著，使得中医客不雅观化进程缓慢，导致上述人工神经网络等人工智能新算法缺少大量数据支撑，难以取得打破。
二是已有研究的运用处景单一，仅考试测验运用一个算法虽可实现基于某种特色的数据的预测模型构建，但通用性与可迁移性普遍不敷，无法形成多病种通用的、实现症状-证候-治法-方药完全诊疗流程的系统化研究成果。
因此，依据中医人工智能研究的现状，在办理数据标准化问题的根本上，将多种算法结合，实现症状到证候的准确打算，从而实现症状-证候-治法-方药这一全诊疗流程的中医人工智能系统，是当前急迫须要办理的问题。

在新一代人工智能算法的根本上，我们提出基于证候要素探索规则化中医人工智能研究模型的思路：以中医人工智能为研究工具，以证候要素为切入点，以规则集成为路径，以行业诊疗指南授予的症状积分为权重，通过症状组合、疾病识别、证候推导、治法治则、方剂天生、加减药味、药量赋值等过程，形成推举处方（图1）。
此外，利用小样本、高质量中医诊疗数据演习模型以改动证候打算的准确性。
还可利用反馈机制，许可中医师在输出结果的根本上进行调度，并将这种调度作为新规则加入规则数据集。

其次借助中医人工智能模型可学习性与拓展性，考虑加入证候、证候要素、中药、方剂、临床病例、古典医籍与医案等内容，使不同来源的中医诊疗知识体系完成知识体系领悟、建立症状-证候要素-证候-治法-方剂-中药对应关系，提高辨证指向的准确性。
在详细实现方面，可以考虑以症状和证候要素作为节点，以症状-证候要素关联性作为边界，构建诊疗规则的知识图谱构建。
利用单一疾病行业诊疗指南授予的症状积分作为权重，通过构建毗邻矩阵、度矩阵打算出拉普拉斯矩阵（Laplacian matrix），来表示不同症状在证候要素下的权重，进而利用卷积操作加权求和输出结果，从而建立可视化模型，在此根本上实现规则的可视化显示。

在上述设计思路根本上，致力于形成符合行业标准、经典古籍、专家见地的中医人工智能系统（图1），为标准化、客不雅观化的中医人工智能诊疗系统研究供应新方向。

图1. 单病种中西医结合人工智能模型设计路线。
（a）中医术语的获取和标准化。
通过获取不同来源的症状、体征术语信息，采集患者的舌象、脉象、面象、目诊图像、声音等信息，并将以上信息内容进行数据标注，进而完成数据标准化事情。
（b）中医诊疗规则获取。
中医诊疗规则可来自于中医临床诊疗指南、中医专家履历、中医学教材、古代中医文籍等，通过证候要素关联并集成以上不同来源的诊疗规则，从而形成以证候要素为核心的集成诊疗规则。
（c）以图卷积神经网络和知识图谱的构建为例，解释集成算法规则，形成可视化模型的方案。
构建中医人工智能知识图谱，以证候要素和症状作为节点，以症状-证候要素关联性作为边界，以疾病行业诊疗指南授予的症状积分为权重根本，表示不同症状在证候要素下的权重，进而利用卷积操作加权求和输出结果，并支持可视化展示。
（d）集成各来源的诊疗规则形成辨别证候要素输出处方的过程。
以标准化症状为输入层，首先完成标准化症状对应证候要素的判断，再经由证候要素的叠加组合形成证候，通过证候-治法的对应关系，输出紧张证候要素组合对应的方剂、中药；除却紧张证候要素外，再由其他证候要素及症状，输出对应的中药，形成针对紧张方剂的药物加减处方作为输出层。
（e）基于知识图谱和处方推举结果实现规则可视化展示。

我们以冠心病为单病种中西医结合+AI的研究打破口，引入人工先验知识，通过临床症状及舌脉等信息剖析其可能的证候要素，再以证候要素为核心得到可靠方药，由此形成了基于证候要素的中医人工智能诊疗模型设计，利用小样本诊疗数据对此模型进行演习，可实现较“中医大数据”形成的诊疗模型更高的AI处方精度。

我们估量中医诊疗系统会实现由单病种诊疗模型到多病种诊疗模型的发展，由纯中医诊疗系统到真正的中西医结合诊疗系统的超过。
我们希望不久的将来它可以简化就诊流程，提高诊疗效率，让患者便捷地接管基于稀缺的高水平中医专家诊疗履历的人工智能诊疗做事。
纵然间隔医院较远，也可以在家就收到最优质的道地药材，得到最优质的医疗做事。

注：本文内容呈现略有调度，若需可查看原文。

改编原文：

Jie Wang, Lian Duan, Hongzheng Li, Jinlei Liu, Hengwen Chen.Construction of an Artificial Intelligence Traditional Chinese Medicine Diagnosis and Treatment Model Based on Syndrome Elements and Small-Sample Data[J].Engineering,2022,8(1):29-32.