中醫體質分類辨識技術的回顧和展望*

楊豐蔚，李竹青，張鐘文，唐燕，趙曉山，曲淼，王艷，王濟，韓愛慶

（1.北京中醫藥大學管理學院，北京 100029；2.北京中醫藥大學國家中醫體質與治未病研究院，北京 100029；3.南方醫科大學中醫藥學院，廣州 510515；4.首都醫科大學宣武醫院神經內科，北京 100053）

中醫體質是指個體在先天和后天因素的影響下所呈現出的特定體質狀態，它是人體的一種生理特征和生理狀態，反映了人體的健康狀況和疾病易感性[1]，與人體健康密切相關，中醫學說自古以來就格外重視中醫體質的研究[2]。按照個體健康狀況，個體的體質通常分為平和或偏頗，偏頗體質又根據不同特征進一步進行細分。平和體質被認為是健康狀態，各偏頗體質則是亞健康狀態的特征體現[3]，而亞健康作為一種早期的病理狀態，如果不及時采取措施，可能會發展為慢性疾病。中醫體質理論尋求建立以“治未病”為基礎思想的疾病預防體系，符合《“健康中國2030”規劃綱要》所提出的以預防為主，早診斷、早治療、早康復的健康理念。在此背景下，中醫體質理論在疾病預防和健康保健等領域也發揮著越來越重要的作用。通過進行體質辨識，可以掌握和了解個體身體特點和健康狀態，制定“因人制宜”的干預措施，從而更好地進行健康管理和疾病預防[4]，幫助亞健康人群恢復健康。目前，中醫體質辨識已被廣泛應用于疾病預防[5-7]，中醫體質學在治未病領域發揮著不可替代的作用，而體質辨識結果的正確與否直接影響到對個體健康狀態的把握以及后續的健康干預效果。

目前中醫體質辨識技術以量表辨識為主，專家辨識為輔，但前者主觀性強、耗時長，后者受專家主觀因素和經驗影響較大，體質辨識技術亟需創新與突破。如今，信息技術的發展使得中醫領域每日產生的大量珍貴數據得以保存，為中醫大數據的分析和再利用提供了可能，近年急速發展的包含深度學習在內的人工智能技術也在各領域得到了廣泛的研究與應用，也為中醫體質辨識技術的發展提供了新的方法與思路。本研究立足于中醫體質理論，對傳統中醫體質辨識技術與中醫體質輔助辨識技術進行整理與回顧，并基于現有研究，對未來體質辨識技術的發展方向，尤其是基于深度學習和多模態數據融合思想的辨識技術進行探索與展望。

1 傳統中醫體質辨識技術

1.1 體質量表 中醫體質有眾多分型。目前，王琦教授的九分法認可度最高，2009 年中華中醫藥學會以該分類法為基礎向全國公布了《中醫體質分類與判定》，并運用于多個領域，對中醫體質辨識具有重大意義。該量表由王琦教授團隊基于中醫體質理論開發，具有較好的信效度[8-9]。國內外諸多學者，在該量表的基礎上進行了研究與發展。王琦教授團隊[10]于2006 年發表文章《中醫體質量表的初步編制及其應用》，開啟了成人版中醫體質量表開發與研究。朱麗冰等[11-12]通過對國內外體質分類研究現狀的梳理，提出《中醫體質量表（成人版）》，并論述了修訂《中醫體質分類與判定》的必要性與可行性。柳璇[13]在考慮中國老年人文化、社會與價值觀等觀念的基礎上，通過問卷調查等形式，編制了《中醫體質量表（老年版）》，該表信效度良好，被納入國家中醫藥管理局公共衛生規范服務體系，廣泛用于老年人體質測量。在兒童中醫體質分類方面，眾多學者也進行了廣泛對分析與討論，李竹青[14]在《中醫體質分類與判定》的基礎上，編制《王琦九種中醫體質量表（0～3 歲嬰幼兒版）》，信效度表現良好，楊寅[15]針對7～14 歲年齡段的兒童編制《7～14 歲兒童中醫體質量表》，測試后發現信效度均較高。針對兒童編制的中醫體質量表彌補了嬰幼兒在中醫健康領域進行規范化測評的工具，具有一定的臨床意義。

量表法能在一定程度上對人群及個體體質進行量化?！吨嗅t體質量表》按照“體質可分”和“體病相關”兩個領域進行研究，內容符合中醫體質類型特點，適用于自評，條目獨立性高，便于操作，信效度較高。目前體質量表廣泛用于基層醫療機構與醫院，其使用過程中也發現了一些問題。例如量化加權打分形式具有明顯的主觀性與不確定性，量表結果與專家判斷結果不一致，量表形式放棄了望、聞、切三診，與中醫整體性的觀點不相符合等問題，這讓人們對體質量表的應用產生了疑問與討論[16]。

1.2 專家辨識 傳統醫學重視對病患信息的收集，“望、聞、問、切”四診是傳統醫學診斷中的重要技能，在中醫診療體系中發揮著重要作用?，F階段中醫四診又分為人工四診和儀器四診。

傳統人工四診是中醫精神與文化的傳承，重視醫生的診斷經驗與診斷技巧，通過語言、觀察、經驗判斷等方式進行體質辨識或疾病診斷，實現“未病先防、既病防變”的目的。但傳統中醫四診辨識易受醫生理論水平和臨床經驗影響，缺乏統一、客觀、標準的診斷體系。中醫四診儀是運用現代技術，在傳統四診的基礎上延伸與發展而來的，四診儀的發明使中醫診查指標更加客觀與規范。但目前通過四診儀進行體質辨識的技術尚未成熟，設備存在標準不一，質量參差不齊的問題，整體辨識精度也較低[17]。

2 中醫體質輔助辨識技術

2.1 經絡檢測技術 中醫認為經絡“行氣血，營陰陽”，是人體運行氣血、連接身體各部的通道[18]，經氣運行盛衰直接影響人體健康狀況，體質則是其外在體現。李甘露等[19]通過中醫體質分類結合經絡檢測，探究痰濕體質的經絡特點，對體能值進行比較，發現痰濕質的體能值平均高于正常范圍值。尚世由等[20]基于中醫體質辨識及經絡特點進行經絡檢測，結果顯示體質形成與肝、膽、膀胱、小腸、脾、腎、三焦、胃關系緊密，對于經絡檢測運用可促進中醫體質研究客觀化，為中醫體質辨識及未病診療提供依據。

2.2 紅外熱成像技術 中醫診斷中素有“有諸內必形諸外”的思想，紅外熱成像技術通過對人體皮膚溫度的數值與分布進行掃描，提取并分析人體紅外信息，是該診斷思想的現實表現。陳淋等[21]將紅外成像特點與中醫體質進行對應研究，發現不同體質類型其外皮溫分布不同。李洪娟等[22]對9 種體質的人體紅外熱像圖進行分析，認為熱態圖與中醫體質生理病理學表達接近，使用人體熱態特征辨別中醫體質類型科學可行。

2.3 腦功能 腦信號可即時反應個體在不同環境、心理活動、認知水平與意識狀態下腦細胞的神經電生理活動情況，相關學者發現腦功能與中醫體質類型辨別具有一定程度的相關性。李旭豐等[23]發現氣郁體質和平和體質人群，其腦部杏仁核區域存在激活區。胡湘等[24-25]在不同中醫體質正常人群睡眠初期腦電信號的研究中發現，不同體質正常人群Ⅱ期睡眠狀態下額區腦電活動存在差異，認為腦電信號自相關系數可為中醫體質辨識分類提供證明。

2.4 基因組學 基因組學是包含基因功能分析、基因定位等功能的科學?；蚪M學研究方法具有“整體效應”，這與中醫整體觀不謀而合[26]。李玲孺等[27]比較痰濕、平和質外周血單個核細胞全基因表達基因譜，差異顯著，證明外周血全基因組表達譜可作為區分痰濕、平和質的診斷依據。中醫體質理論學說表明體質決定了疾病和證候類型的發展趨勢，運用基因檢測，有利于準確認識疾病傾向性[28]。

2.5 代謝組學 中醫體質學認為不同因素導致的機體失調等病理變化會影響個體體質，其體內代謝物也因此改變，不同體質類型的代謝產物有不同的體質特征[29]。張峰瑋等[30]研究發現不同體質人群的代謝譜具有差異，不同體質特異性代謝產物可用于體質評估。劉飛等[31]通過檢測并比較不同體質間血漿代謝物差異，發現平和、陽虛體質不僅存在代謝方面的差異，也存在神經遞質、臟腑功能的改變，代謝組學可為疾病提供體質方面代謝物異常的證據。

2.6 人工智能技術 近年來，人工智能技術發展迅猛，其中深度學習以其強學習能力、泛應用性和高準確性使其成為當前主流，深度學習算法和醫學人工智能的核心技術，為中醫體質辨識的自動化、高效化提供了可能。目前基于深度學習的體質辨識研究主要圍繞舌象與面象的兩個模態的數據展開。

舌診是臨床上中醫四診的重要組成部分，臟腑精氣可上榮于舌，氣血盛衰皆可反映于舌，因此，舌象可成為中醫體質辨識的依據[32]。胡繼禮等[33]基于Inception-v3 構建體質分類模型，該模型對九種體質類型進行分類，取得了較高的識別率。周浩等[34]基于Alexnet 網絡對舌象進行深度特征融合，對氣虛、痰濕、濕熱3 種體質進行分類，準確率較之傳統分類方法有很大提升。Ma 等[35]在卷積神經網絡的基礎上，構建了復雜感知分類模型，對九種體質進行辨識，提高了識別的準確率。

面診屬于四診中的望診，醫生通過觀察面部色澤把握五臟六腑的健康情況。Huan 等[36]基于面部數據集，通過遷移學習訓練DenseNet-169，并結合VGG-16、Inception V3、DenseNet-121 進行集成學習，在測試數據集上的準確率達到69.61%。

3 基于深度學習的多模態中醫體質辨識技術探索

模態是指事物存在和表達的方式，相同模態的數據具有相同的表達形式，不同模態的數據表達形式則不同。目前，深度學習領域內的研究主要以單模態為主，然而單模態數據往往不能包含進行預測所需的所有有效信息。多模態學習就是將不同表達形式的數據同時輸入，在提取各單個模態數據獨有特征的基礎上，利用模態間數據特征的互補性，降低冗余信息的干擾，保留并整合有效信息，實現多模態信息融合，提升模型的決策性能[37]。對于中醫體質而言，不同體質類型的宏觀特征主要表現于面象、舌象的色澤狀態以及脈象的變化起伏，此外還反映于飲食、二便以及精神狀態等，不同模態數據間的關聯性以及為體質辨識提供決策的協同效應值得探索與挖掘。本研究所介紹的多模態融合所采用的數據模態以舌象診、面診和脈診數據為例。根據融合位置不同，多模態數據主要有數據層、特征層、決策層3 種融合方式。

數據層融合是將面象、舌象和脈診數據融合后輸入到模型進行訓練，通過卷積等操作提取特征最后輸出體質分類結果，見圖1。但由于不同模態的數據呈現形式不同，通常在融合前要將數據進行預處理。數據層融合方式由于不需要對模型做額外調整，可直接使用現有單模態模型對數據進行訓練，實現較為容易，但融合的數據集里包含了大量的冗余信息，也不能充分利用不同模態數據集間的互補信息，在預測階段得到的精確度往往也較低，因此這種融合方式的適用范圍最窄。

圖1 數據層融合的多模態分類模型結構Fig.1 Structure of the multimodal classification model for data-level fusion

特征層融合首先將面象、舌象、脈診數據分別輸入到模型，在模型前期提取各模態數據的原始特征，在模型中期進行融合，在后期提取決策所需的融合特征，最后輸出體質分類結果，見圖2。特征層融合往往需要對模型作出較大調整，因此實現起來較為困難，但這種融合方式既可以保留不同模態的原始信息，又可以有效降低冗余，充分利用了模態間的互補性，同時又可以在模型內部靈活地選擇融合位置，因此是目前研究者所采用的主流方案。

圖2 特征層融合的多模態分類模型結構Fig.2 Structure of the multimodal classification model for feature-level fusion

決策層融合是對面象、舌象和脈診數據單獨進行訓練、特征提取和結果輸出，再對各模態數據對應的分類結果進行融合決策，類似于多個單模態分類模型的集成，見圖3。決策層主要的融合方法有平均值法、最大值法等。由于決策層融合不涉及特征融合，因此在對模態間相關性較差的數據集進行決策融合時往往能較大提升模型的準確性和魯棒性。

圖3 決策層融合的多模態分類模型結構Fig.3 Structure of the multimodal classification model for decision-level fusion

以臨床中醫醫生用經驗來判定和通過填寫體質量表來鑒別體質類別的辨識方法具有其無法規避的弊端和局限性，急需規范化、程序化、簡便化；此外，中醫體質辨識在經絡檢測、紅外熱成像、腦功能、基因組學、代謝組學等其他領域也有相關研究，但都以相關性研究為主，沒有形成較為成熟的辨識方法與體系，近年來人工智能技術包括深度學習的發展為解決上述問題提供可能?，F有針對體質辨識的深度學習技術研究主要以單模態為基礎，不同模態間的聯系具有很大的潛在價值有待研究挖掘，多模態深度學習技術的興起也給了其在中醫體質辨識領域發揮作用的啟發與可能?？晒┲嗅t體質辨識的數據類型多種多樣，滿足多模態“多”的特點；醫療信息化的快速發展讓海量數據變得易于管理和分析，為機器學習包括深度學習提供了數據支撐。中醫注重整體，綜合多種模態進行體質辨識是其提升與發展的方向，這就要求對不同模態數據進行全面整合，精準定位不同模態之間聯系，規避數據冗余帶來的負面影響，基于深度學習對大數據進行多角度、多層次的分析，構建多模態中醫體質辨識模型，提高其辨識的準確性、規范性、科學性，推動中醫體質學進一步發展。