Chinese Medicine：AI赋能中医舌诊新范式
2025-06-24 吾乃喵大人 MedSci原创 发表于上海
本研究通过深度融合传统舌诊特征与深度学习提取的图像特征，构建了一套智能化、定量化的中医体质识别模型，展现出出色的性能和广泛的应用潜力。
中医体质是基于遗传、环境及生活习惯等多因素形成的人体固有生理特征，对疾病的发生发展具有重要影响。传统体质辨识主要依赖“望闻问切”四诊结合和《中医体质分类与判定标准》（CCMQ）的问卷，尽管实用但容易受限于主观因素以及问卷设计复杂，且难以满足现代大规模、精准化需求。
其中，舌诊作为中医诊断中的重要窗口，反映了个体体质在舌色、舌形、舌苔等方面的特征。现代研究已证实，舌像信息可捕捉机体功能状态的细微变化，但如何客观、精准且高效地量化舌诊信息，已成为推动中医数字化和智能化的关键瓶颈。
同时，深度学习因其在医学图像分割与分类方面优越的特征提取和模式识别能力，逐步成为中医舌诊自动化分析的有力工具，然而当前多限于单一特征体系，且缺乏多中心大数据验证，尚未充分发挥其优势。
本研究以1374名来自北京两大中医院的成年人为对象，收集标准化、高分辨率舌像及CCMQ体质评估数据，涵盖平和、气虚、阳虚、湿热、气郁5种高频体质类型。采用ISE-UNet++改进网络对舌图进行精确分割，消除背景干扰，随后提取传统颜色（Lab色彩空间）、纹理（GLCM）等视觉特征及基于ResNet-50的2048维深度特征。
通过LASSO回归与随机森林算法，结合双重筛选机制优化特征集。结合8类机器学习算法，对基于单一及融合特征的数据集分别训练评估模型，最终选定性能最佳的MLP模型构建多模态融合分类器，并采用训练/测试集划分及五折交叉验证确保模型稳健性。
研究结果
1. 受试者基本信息
| 体质类型 | 样本量(N) | 平均年龄(岁) | 性别分布（女/男） |
|---|---|---|---|
| 平和 | 380 | 50 ± 12 | 161 / 219 |
| 气虚 | 248 | 50 ± 12 | 139 / 109 |
| 阳虚 | 449 | 50 ± 10 | 295 / 154 |
| 湿热 | 152 | 48 ± 10 | 46 / 106 |
| 气郁 | 145 | 46 ± 11 | 109 / 36 |
经统计检验，性别与整体体质类型存在总体相关性（p <0.0001），但单体质类型间无显著差异。性别作为控制变量纳入模型。
2. 舌像分割性能提升
采用ISE-UNet++较传统UNet++和UNet模型，在舌像分割任务中取得指标提升：
| 模型 | MIoU (%) | MPA (%) | 准确率 (%) |
|---|---|---|---|
| UNet | 97.73 | 97.95 | 98.26 |
| UNet++ | 97.91 | 98.24 | 98.31 |
| ISE-UNet++ | 98.45 | 99.26 | 99.17 |
舌像分割模型架构及示例结果
3. 传统与深度特征筛选
- 传统特征筛选：LASSO回归与随机森林筛选交集确定11个关键舌色、舌形及质地指标，显示稳定且预测价值高。
- 深度特征筛选：从2048维深度特征中筛选出26项重要特征，涵盖视觉纹理、局部和全局形态特征，补充传统特征难以覆盖的细节差异。
传统特征筛选结果
深度特征筛选结果
4. 模型性能比较与融合显著提升
采用8种机器学习算法分别评估传统特征和深度特征模型，关键指标如下（以多层感知机 MLP 为例）：
| 特征类型 | 准确率 | 灵敏度 | 特异度 | AUC |
|---|---|---|---|---|
| 传统特征 | 0.394 | 0.275 | 0.827 | 0.629 |
| 深度特征 | 0.715 | 0.659 | 0.924 | 0.876 |
单特征建模效果有限，融合特征模型性能显著提升：
训练集：
| 指标 | 结果 |
|---|---|
| 准确率 | 0.813 |
| 灵敏度 | 0.761 |
| 特异度 | 0.949 |
| AUC | 0.948 |
测试集：
| 指标 | 结果 |
|---|---|
| 准确率 | 0.737 |
| 灵敏度 | 0.680 |
| 特异度 | 0.930 |
| AUC | 0.898 |
融合特征MLP模型结构及特征重要性
融合模型五折交叉验证ROC曲线
5. 模型可解释性分析
基于Grad-CAM可视化技术，模型对不同体质的重点舌像区域识别出典型中医病理标志，如：
- 气虚体质：突出舌中央裂纹，反映脾胃虚弱；
- 阳虚体质：突出舌边缘齿痕，指向阳气不足伴湿困；
- 湿热体质：突出黄腻舌苔，显示湿热下注；
- 气郁体质：突出舌尖红斑，关联心火亢盛或肝气郁结。
Grad-CAM热力图示例
研究意义与展望
本研究构建的基于多模态融合的中医体质识别模型，实现了舌像信息的自动化、高精度分析，突破了传统依赖主观经验和复杂问卷的弊端，具有良好的泛化能力和解释性。该模型结合前沿深度学习技术与传统中医诊断理念，不仅丰富了中医数字化的技术手段，也为个性化健康管理和精准中医提供了切实可行的智能辅助工具。
未来，研究可沿以下方向拓展：
- 数据多样性增强：扩大多中心样本规模，拓展不同地域、民族及体质稀缺类型的覆盖，提升模型的普适性。
- 多维度信息融合：集成舌像、脉象、面色及体征等多模态信息，打造更全面的体质识别系统。
- 临床应用转化：结合移动端智能设备，实现家庭自助舌诊和远程健康监测，提升医疗服务的便捷性和普及度。
- 机制解析加强：深化基于AI的病理特征解读，助力揭示中医体质与疾病演变的内在机理。
梅斯小编点评
这项研究深刻展示了人工智能与传统中医智慧融合的巨大潜力。通过融合定性传统特征与定量深度特征，团队成功解决了体质识别难题中信息表达不足与泛化能力差的痛点。精心设计的多中心大样本前瞻性队列，使得成果更具说服力，同时Grad-CAM强化了模型的临床可解释性，极大地推动了AI在中医领域的实际应用。
未来，随着更多样本和多元表型数据的引入，配合高性能计算和优化模型，期待实现真正基于全息健康数据的智能体质识别，服务精准中医和个体化健康管理。这不仅是技术的进步，更是中医现代化和国际化的重要里程碑。
原始出处
Liu Y, Fan L, Zhao M, Wei D, Zhao M, Dong Y, Zhang X. Study on a Traditional Chinese Medicine constitution recognition model using tongue image characteristics and deep learning: a prospective dual-center investigation. Chin Med. 2025 Jun 12;20(1):84. doi: 10.1186/s13020-025-01126-w. PMID: 40506765; PMCID: PMC12160370.
s13020-025-01126-w.pdf
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#深度学习# #舌诊#
16 举报