樊 威 李潇潇 丁江涛 杜 斌

舌诊是中医诊法的特色之一，舌的变化迅速而又鲜明，凡脏腑的虚实、气血的盛衰、津液的亏盈、病位的浅深、预后的好坏都能较为客观地从舌象上反映出来。但舌诊严重依赖主观经验，又易受客观环境影响，有研究通过10名中医师对230例舌象的诊断结果分析，发现诊断完全一致的仅9例[1]。目前人工智能已经在影像学领域取得较大进展，图像识别技术日趋成熟，将人工智能技术应用到中医舌诊领域将极大提高舌诊的准确率。

1 人工智能在医学领域的发展

人工智能在医学领域的应用肇始于1974年成立的斯坦福大学医学实验计算机研究项目，该项目鼓励人工智能尝试应用于分子生物学、临床医疗诊断和精神病学[2]，近年来随着计算机设备的更新和互联网技术的进步，人工智能得到快速发展，目前在医学影像学和临床诊断领域取得一定成果。

在过去绝大多数医学影像图片都是经过影像学医生肉眼判别、人工分析，人工读片的缺点显而易见：医生个体经验有限，缺乏量化标准，容易造成误判；肉眼识别不够精确，不可避免地出现误差；海量的影像信息容易漏诊[3]。借助蚁群算法、人工神经网络、模糊集合等技术，人工智能在图像分割、图像配准、图像重建等领域得到应用，帮助影像医生提升读片效率，降低误诊概率[4]。

伴随着科学技术的发展，人工智能的另一重要分支——专家系统，在医疗领域起到的作用也越来越大。医学专家系统是将大量医学诊断知识导入计算机，然后模拟医学专家的临床诊断和治疗思路，根据病情从知识库中提取和综合有价值的诊断线索，最终给出治疗计划。只要有足够多的知识输入到计算机中，计算机就可以相应地完成许多任务；但其能力仅限于输入知识的范围，如果我们想要扩展计算机的实用性及其处理特殊病例的能力，我们需要输入海量知识，永无止境。

近年来出现的人工神经网络(ANN)是通过模仿人类脑神经回路建立的信息处理系统。作为机器学习的重要分支，神经网络可以根据当时的环境状态、信息特点自行调整，具有较高的自适应性；具有联想记忆功能，能够完成复杂的非线性映射。随着人工神经网络的出现，专家系统摆脱了这种知识输入“有限性”的问题，具备了学习、自组织、泛化及训练的能力[5]。科大讯飞与清华大学联合研发的人工智能机器人通过记忆理解大量医学数据，在2017年国家执业医师考试中获得456分的优异成绩，且每场考试用时不到20分钟[6]。

2 舌象客观化研究进展

2.1舌象客观化技术在舌象客观化研究中，大部分的学者都是延续传统舌诊的思路，通过图像识别技术开展研究。丁成华等[7]就是利用Lab颜色空间，对舌象进行定性、定量分析及数据融合，研究各类舌象在颜色空间中的数据特征和分布特征。图像识别和传统舌诊一样，对光照环境有极高的要求，一旦辅助光源的色温、显色指数等发生变化，从舌象提取的色度学特征也会相应改变。但物体对光的反射率是物体的物理特性,与光源等因素无关。对此林凌等[8]提出了基于光谱的舌色客观化方法，通过收集光源数据和舌色数据，计算各波长上相对于光源的反射率，最终得到归一化反射率的数据。这种方法大大降低了对光源参数和采集方法的依赖性，但是由于设备繁杂，便携性差，临床推广难度较大。以上研究均以二维图像为基础进行分析，由此获得的舌象信息必然损失了齿痕、裂纹等三维特征，对此蔡轶珩等[9]提出了基于光度立体法的舌象三维重建，通过设置4个不同方向的光源，从同一视角拍摄多幅图像来还原立体舌象。此方法简便易行，可以求出舌体表面的法向量、纹理反射率和深度信息，更好地展示舌体的形态、纹理、齿痕等细节信息。

2.2舌象采集方法为避免外界光线环境影响，大部分研究都会设置暗箱，沈兰荪等[10]设计了球形漫反射暗箱，照明光从积分球式箱体的开孔入射,经积分球内壁多次漫射,可在被摄舌体上产生更加均匀的光照。由于患者每次伸舌姿势都有细微差别，为提高采集设备的可重复性，吕元婷[11]设计了一套自动采集系统，在伸舌到位、舌根暴露完全时自动拍摄；并且每次都开启连拍模式，这样可以避免因舌体不自主的抖动产生的模糊。在光源的选择上，传统的舌诊要求在充足且柔和的自然光线下观察舌象，但其实在不同季节、时间、天气自然光线下会发生很大变化[12]，因此大部分研究均设置了人工光源。国际照明委员会提出了模拟典型日光的标准照明体D65，但是它的光谱能量分布在目前还不能由人造光源准确地实现。石强[13]在研究中设置标准光源D50，经过对比发现与传统自然光线下舌象诊断的一致性可以达到90%以上。沈兰荪[10]在研究中设置了两种光源，使其舌诊仪同时具备了卤钨灯光谱连续、高显色性和闪光灯合适的色温的优点。吕元婷[11]根据常见舌象颜色分布特点，使用绿色光照明以提高舌质舌苔分离与点刺识别效果，她认为这种光源照明能提高舌质、舌苔、点刺在图像中的差异度。在光源的设置上，吴祖春[12]认为舌象采集时拍摄距离小,闪光灯的光线很容易被镜头和上齿遮挡,而使舌头受光不均,对此他提出在舌象采集中使用环形闪光灯来改善拍摄环境。自然光源的色温见表1。

表1 自然光源的色温

2.3舌象图片预处理

2.3.1图像校正由于目前还不能完全模拟出标准光源下的光照环境，不同人工光源受色温、显色性、光谱连续性等因素制约，必然会产生色差。色差是指两种颜色给人色彩感觉上的差别,主要与光源条件、图像采集设备两个因素有关[14]。因此有必要对所在光照环境进行观测，研究人工光源色温、照度与色差的关系，建立色差校正方法。硬件校正是指在图像采集前，手动调整白平衡，消除拍摄设备的色彩问题。软件校正是指将色卡置于拍摄对象一侧同时拍摄，后期使用软件对图像进行数字化修正。许家佗[15]认为硬件校正需要根据光照环境的变化不断手动白平衡，而软件校正不仅色彩还原准确，且临床采集更为便捷，利于实际操作。沈兰荪[10]对舌象颜色分布分析后，发现舌体颜色在色彩空间仅分布于较小的范围，由此他提出“感兴趣色域”这一概念，即只在感兴趣的色域范围分布回归控制点，以计算回归参数。结果表明，舌色的校正精度有所提高。

2.3.2图像去噪研究中采集的舌象图片不可避免地产生很多噪声，对于后续的图像分析造成很大干扰，所以有必要对图片进行去噪处理。中值滤波是最经典的平滑噪声的方法，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。张翔等[16]认为中值滤波是一种非线性平滑技术，在去噪的同时能够有效保护图像的边缘信息，是舌象图片处理中较好的去噪方法。吕元婷[11]认为中值滤波是一种适用灰度图像的平滑方法，需要将舌象图片转化为灰度图像再进行处理，而均值漂移法则可以直接应用于彩色图像。由于均值漂移算法是一种基于密度梯度上升的非参数方法，不仅计算量小，而且处理效果更好。

2.3.3舌体分割去除采集图片中的脸部、嘴唇、牙齿等部分是舌象研究的重要步骤：早期研究中赵忠旭等[17]将图像转换到HIS空间，根据H分量进行二值化，即利用图像中各部分亮度差异进行阈值分割；由于舌体和嘴唇位置接近，且颜色、亮度、纹理相似，阈值分割时易将上唇错误地归入舌体部分，对此刘关松等[18]通过标记图像像素，对阈值分割进行了改良，但舌体边缘仍不够平滑连续；为调和上层知识和底层图像特征矛盾——为了同时保证分割精准度和舌体边缘平滑度，王艳清[19]使用Snakes模型进行分割，Snakes模型是一条可变形的参数曲线，以最小化能量函数贴近目标轮廓；由于Snakes模型对初试轮廓要求较高，Jain、Pang、覃武星等[20～22]对Snakes模型进行了改良。除此之外，孙炀等[23]还提出一种基于分裂-合并方法的分割算法,王郁中等[24]首先基于颜色和纹理对舌象图片进行初分割，然后基于色度参数建立舌体匹配模板，最终将匹配区域进行合并，完成舌体分割。

2.3.4舌质舌苔分割为更好地对舌象特征分析，需要将舌质、舌苔进行分割，目前国内质苔分离的研究主要使用阈值分割和聚类分割两种方法。阈值分割是目前最常见的分割方法，由于舌质和舌苔在图像上表现出不同的灰度级别，可以根据直方图出现的双峰设定阈值，实现舌质、舌苔分割。但是当舌苔呈点片状时，单一阈值分割效果较差。对此陈海燕等[25]提出了一种多色彩通道择优动态确定阈值的双峰分离法，对舌象图片R、G、B、H、S、V多个色彩通道，根据直方图双峰进行二值化，设定动态阈值进行分割。但该方法是根据分布位置和面积判定舌质与舌苔，当舌质与舌苔面积相差较大时容易产生误判。陈海燕等[25]认为可以引入色彩这一先验知识，根据各部分分布位置、面积大小并结合颜色的不同判定舌质舌苔，提高识别准确性。聚类分割是根据类间相似性将不同类别进行分离，是一种无监督的分割方法。刘峰等[26]将k-means聚类分析用于分割舌质舌苔，对所采集图片的RGB值作为分类对象进行聚类分析。根据舌质、舌苔颜色特征不同，选取R值占RGB值的比例来判定分割出的部分属于舌质还是舌苔。由于聚类分析不需要提前确定阈值，因此对舌苔变化较大的图像有更强的适应性。

舌诊客观化研究流程见图1。

图1 舌诊客观化研究流程

2.4舌象特征分析

2.4.1舌质颜色分析传统中医一般将舌质颜色分为淡红、淡白、红、绛、青紫五种，而舌象客观化研究中则使用图像识别技术对舌质颜色进行分类判别。丁成华等[7]利用Lab颜色空间，对各类舌象L、a、b值进行了统计，并比较了各类舌象色度学特征。吴祖春[12]的研究中对比了瘀血组、非瘀血组、健康对照组舌质颜色的L、a、b值，发现存在差异。林铭铭[27]将舌面分为7个区域，其中舌质5个区域，舌苔2个区域，在研究中对阳虚质和平和质的舌象分区域比较R、G、B、R/B、G/B、R/G值，结果发现2组人群的G/B值≈1，所以2组人群的舌体颜色主要由R(红色)决定，经比较发现平和质组的R值较阳虚质组更大，说明红色程度更高，这与传统的中医理论相吻合。

2.4.2舌质形态分析舌质形态主要包括舌的点刺、裂纹、齿痕等。林铭铭[27]在研究中对平和质组和阳虚质组的点刺、瘀斑点、齿痕进行比较，结果2组舌象在齿痕方面存在显著差异。吕元婷[11]发现相比白色光照环境，舌面点刺在绿色光照环境下与舌苔颜色差异更显著，点刺识别的准确率在74.5%左右，且舌中、舌根等舌苔附着的区域识别率更高。蔡轶珩等[9]使用的光度立体法可以较好地重建出物体表面形状和齿痕等信息，对舌质形态的分析有较高的使用价值。

2.4.3舌苔颜色分析舌苔按颜色分主要包括白苔、黄苔、灰黑苔，谢涛[28]首先将舌苔RGB颜色空间转换成HSL颜色空间，提取L分量(明度)作为分类依据：灰黑苔(L≤20)；黄苔(2065)。许家佗等[15]利用Lab颜色空间，对395例舌象进行定量分析统计发现，白苔和黄苔L值的差异没有统计学意义，白苔a值大于黄苔，白苔b值小于黄苔。

2.4.4舌苔形态分析舌苔形态主要是指舌苔的厚薄、润燥。唐荣生[29]在研究中发现舌苔越厚，视觉上越粗糙，因此可以将舌苔看成纹理图像，并使用Gabor小波变换提取特征。舌苔的润燥是由舌苔表面的含水量决定的，当含水量较多时会在图片上形成亮斑区，谢涛[28]通过识别这些亮斑区实现对舌苔的润燥分析。研究中根据亮斑面积及亮度定义了润燥系数；还以润燥程度将舌苔分为滑苔、润苔、燥苔、燥裂苔，结果除燥裂苔识别率在86.4%以外，其他三类识别率均达到了90%。

3 人工智能在舌诊应用中的临床意义

舌诊作为中医临床一种非侵入式诊察手段，有相当完备的理论体系，在中医诊疗过程中具有重要地位，通过人工智能技术可以很好地避免临床医生主观判定的弊端，为临床诊疗服务。目前大部分研究[30～33]都是通过提取研究组和对照组的舌象的RGB值，分析各组舌象色度学上是否存在差异。李圣春[34]根据RGB值推导并定义了舌色标值H这一概念，H值从大到小能够描述舌质从淡红舌、红色、暗红色、紫暗到青紫色的渐变趋势。但文中并没有详细介绍舌色标值H如何推导。叶永安等[35]通过标准化采集1003例慢性乙型肝炎患者的舌象，总结了慢性乙型肝炎患者舌象分布特点，分析了舌象分布于慢性乙型肝炎中医证候的相关性，比较了肝郁脾虚证和肝胆湿热证的舌象特点。

4 机遇与挑战

目前中医舌诊客观化研究与中医药临床相脱节，中医学者的研究多数是通过比较研究组和对照组舌象，简单得出2组舌象在色度学存在差异的结论；而理工专业的学者更多专注于图像识别技术领域，缺乏中医药理论的指导，对于辅助临床诊断意义有限。中医药人工智能现代化研究需要多学科合作，需要中西医专家和数学、物理学、计算机领域的人才通力合作才能完成。

2016年谷歌研发的AlphaGo横扫全球围棋高手，让人类对未来的智能生活无限向往，中国互联网的标杆企业BAT都已开始人工智能的布局[36]。并且这三家企业都开发了人工智能的开放平台，为普通民众提供语音技术、图像技术、数据智能等服务。其中阿里提供的ET医疗大脑已经应用于医学影像、精准医疗、药效挖掘、新药研发、健康管理等领域；而百度的开放平台支持个性化定制，且门槛较低，操作简单。我们可以利用现有舌象客观化研究的成果，借助人工智能开放平台实现舌象智能分类等更具临床实际意义的功能，让现代化技术服务中医，也让古老的中医在科技时代再焕光彩。