Page 94 - 中医针灸与人工智能

中医针灸与人工智能
Chinese Acupuncture and Artificial Intelligence

对已有样本的机体状态数据（数据）及针刺治疗结果（标签）进行分析，挖掘潜

在规律，构建针刺疗效预测模型，并基于该模型，预测新的样本对针刺刺激的应
答情况。如杨秀岩等早在2008年便尝试基于患者人口学特征和疾病相关自评量表
数据，使用人工神经网络开展针刺治疗抑郁症的临床疗效预测研究，遗憾的是使
用此方法构建的模型在新的独立样本中泛化能力不足。同年，裴明等使用人工神

经网络基于人口学资料、中医四诊信息、症状评价量表等参数构建模型，预测针
刺治疗海洛因依赖的临床疗效；郝旺身等使用模糊神经网络基于心电图、脑电图
等生理电信号预测患者在接受电针治疗过程中疼痛相关生化指标脑啡肽的变化。

这一系列研究是使用机器学习进行针刺疗效预测的早期尝试，具有一定的方法学
借鉴意义。人工神经网络是一种基础的深度学习算法，可以用于构建非线性的复
杂关系模型，且具有学习数据中隐藏关系的能力，广泛应用于模式识别、信号处
理等领域。但由于其对数据样本需求量极大，且模型推理过程不透明，以及识

别结果可解释性差等缺点，并不太适合基于小样本的针灸临床疗效预测研究，因
此，近年来少有研究者继续使用此方法构建针刺疗效预测模型。
相较于复杂的神经网络，聚类算法、决策树、支持向量机等传统机器学习算

法以其样本量需求小、结果可解释程度高、不易过拟合等优点近年来逐步成为针
刺疗效预测研究的主流算法。Zhang等基于聚类算法的基本思想，建立了一种无
监督的机器学习模型，用于预测针刺治疗不同证型颈痛的疗效。该研究中，作者

首先采集针刺治疗不同证型颈痛的训练集样本，然后使用非主导排序算法计算测
试样本和训练样本的核相似度，并将其作为特征，用于模型预测。这种基于聚类
思想构建的机器学习模型，在样本集较小的情况下较其他算法精确度更高，且能

够有效识别不同证型颈痛患者之间针刺疗效的潜在差异。但此模型对基础训练样
本的依赖程度很高，训练样本的标准化程度直接影响了模型的泛化能力，因此，
使用这类机器学习算法构建模型的关键在于选择标准化程度高的训练样本。除无
监督的聚类算法以外，研究者还使用了有监督的机器学习算法进行针刺疗效的分

类和预测研究。崔韶阳等使用单规则分类器开展了肩三针治疗卒中后肩手综合征
显效率的分类研究，并使用重复增量修剪算法和决策树挖掘出影响分类研究结果
的重要识别特征，明确了影响肩三针治疗卒中后肩手综合征显效率的重要因素。

研究结果对于指导针灸临床相对精准治疗卒中后肩手综合征、提高针灸临床疗效
具有积极的意义。

86