陈相平,刘文琛，张良智
山东交通学院，济南，250357
摘要：针对中医诊疗过程中掺杂过多主观因素的现实情况，本文提出了一种“人工智能+中医”的创新思路。将中医诊断经验进行有效提取，通过手机APP进行自主诊断。利用K-means算法进行分离舌质舌苔，通过深度学习算法进行特征提取，利用SVM分类模型确定诊断结果，可有效实现现代科技与中国传统医学的完美结合。
关键字：中医，舌诊，深度学习，SVM
引言
“望、闻、问、切”是传统中医四诊法，诊疗结果来自于人工对四诊法采集数据的经验判断。第一个阶段是通过人体感官获得病变数据，第二个阶段是历史经验的瞬间记忆、整理、总结和提炼，两个阶段都是模糊和不精确的。对于多数情况下的普通病例，往往行之有效，但对复杂病例或者对多种可能进行逐一尝试，或者根据医生主观倾向做出诊断，都可能存在较大误差。因此如何建立一个科学而规范化的中医证候的量化标准是一个值得研究的课题。因此人工智能+中医的研究和实践常见报道。
张龙，王国明等利用层次聚类方法应用于中医治分析，通过实验印证，可以迅速获得隐藏在中医诊疗数据中的表象-病因的对应规律，为人工智能辅助中医治疗提供了有力途径。潘主强等以某疾病为例，研究了基于多种西医常规诊断手段结果数据的多分类方法，建立了混合模型，实例验证行之有效。杜春慧从中医舌质的角度出发，引入图像处理技术，实现舌质图像定性、定量研究。
1 算法基础
支持向量机（Support Vector Machine, SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机方法是建立在统计学习理论的学习过程一致收敛理论和结构风险最小原理基础上的，根据少量的样本信息建立知识提取模型，在模型数学复杂度和学习能力方面达到平衡，以获得最优的推广效果。
深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。与大多数启发式算法类似，该方法也是借鉴人体仿生思路，模拟大脑的学习接收新知识的方式而设计出来的算法。深度学习源于人工神经网络，又高于神经网络。突出特点是含多个池化层和卷积层的前馈神经网络。深度学习模型的多层结构将复杂映射分解为一系列嵌套的简单映射,通过逐层抽象实现从局部特征到整体特征的提取。
2 舌诊分析
作为中医四诊中的望诊，医生主要通过观察获取病例样本的外在表现，提取自身经验做出诊断。中医理论中，舌诊占据重要地位。一般认为，舌苔由胃气所生,舌苔变化可反映脏腑的寒、热、虚、实。中医舌诊受医生临床经验、个人倾向、病人情绪和诊治环境等影响，诊断结果往往存在偏差，一定程度上限制了中医临床疗效的提高，且人工诊断总有各种误差和无意失误。
中医舌诊诊断包括舌体分割、舌苔舌质分离和舌质特征诊断、舌苔特征诊断、结果评价等5个步骤。舌体分割指从舌体所在的环境图像（包括但不限于嘴唇、牙齿、周边皮肤）中自动分离出舌体的过程。舌苔舌质分离指从舌体图像中将舌苔和舌质部分分离的过程。
舌苔特征诊断是对舌苔图像的颜色、纹理、轮廓等信息进行分析,并与舌诊样本库进行比较,得出舌像分析结果。舌质特征诊断亦如此。舌苔和舌质的特征包括舌色、舌形、舌态、苔色和苔质等方面。
3 自动舌诊检测算法
3.1舌分割
舌体分割是利用图像处理技术，根据舌体与周边其他内容像素在灰度、颜色和形状等像素特征的差异，把舌体与非舌体部分划分为相互独立的不同区域。将图像分割后，往往同一个区域内的内容呈现逻辑上统一或相似性，而不同区域之间有差距较为明显。在技术层面利用平滑滤波增强算法，可以进行舌分割得到舌体的轮廓线。
3.2舌苔舌质分离
舌苔舌质分离方法多数选用k均值聚类（K-means）算法。聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。k均值聚类是最著名的划分聚类算法，由于简洁和效率使其成为所有聚类算法中最广泛使用。
3.3 基于深度学习的特征提取
特征提取，就是从舌质、舌苔中提取到有助于医疗诊断的特征点，如红色、老嫩、白苔等。主体思路是分别对舌质、舌苔，利用深度学习算法，对舌质样本图像进行识别，对比已经建立的特征库，搜索最优特征样本进行匹配。
3.4 诊断分类
诊断分类，就是利用前面确定的舌质、舌苔特征，进行分类选择，确定该样本的健康状况。本文中主要利用混合核函数的SVM分类模型完成。
在 SVM 分类算法中，其在样本数据中是线性不可分的，无法满足获得最优分类函数。所以我们通常所用的方法是把样本的特征从低维空间映射到高维，使低维空间线性不可分的数据在高维空间变为线性可分。
本文中将分类结果划分为5类，即健康值为95-100（A）、85-95（B）、75-85（C）、65-75（D）和65以下（E）。
4 总结
本文在分析当前人工智能赋能各行各业的趋势下，引入人工智能+中医的创新思路。在分析中医中典型诊疗方式—舌诊主要流程的基础上，引入图像处理方法识别舌质舌苔，并利用K-means算法进行分离。接着利用多层深度学习算法对舌质、舌苔进行特征提取，利用已建立的特征库对样本做特征比对。最后利用混合核函数的SVM分类模型确定诊断结果。最后搭建了APP操作平台便于自主开展舌诊检测。
人工智能+中医可一定程度上规避了中医人工判断失误的因素，同时有利于提升中医诊断普及水平。但目前尚处于初级阶段，很多方面尚不完善，需后续不断提升诊断水平。
参考文献：
[1]潘主强,张林,颜仕星,张磊.中医临床数据疾病分类机器学习方法研究.计算机工程与应用[J]. 2017, 53(13):146-154.
[2]杜春慧.中医舌质特征的机器学习模型研究.硕士学位论文[D].成都:电子科技大学,2020.