陈 玲 刘瓅莹 许 婧

大数据浪潮中，机器学习正在兴起，通过利用输入数据，建立面向特定任务的学习模型，在生物信息学和计算生物学中得到了广泛应用。近年来，机器学习在中医药领域的应用也日趋增多[1]，收集分析医疗相关数据集，推进医学发展为结果导向型学科成为大势所趋，对于临床诊疗疾病有着深远影响。针灸学作为中医学的重要组成部分，深受广大医务工作者的青睐。在多学科交叉探索背景下，促进针灸学研究与现代科学技术结合，有利于其系统化发展。现阶段，针灸学与机器学习之间的跨学科研究合作得到了广泛关注，但其成果冗杂，缺乏系统整理。笔者现以“机器学习”“针灸”“针刺”“电针”“研究”及“Machine Learning” “Acupuncture” “Electroacupuncture”为主要检索词，检索中国知网及PubMed近10年所发表的机器学习与针灸研究相关文献，试从针灸疗效预测、穴位特异性研究、针刺手法量化以及针灸临床教学应用4个方面综述其发展现状，以期为机器学习在针灸领域研究工作的进一步开展提供参考。

1 针灸疗效预测

针灸作为一门传统中医外治法，通过刺激体表腧穴，激发经气、调整阴阳，从而纠正机体失衡状态，发挥其治疗作用。患者的机体状态影响着针灸方法的选择，明辨机体状态是恰当选穴施术的前提。然而，由于疾病临床表现的复杂性、四诊资料收集的主观性以及医生辨证的经验性，都可能造成医生在把握患者机体状态和选择治疗方法上存在偏差，影响针灸疗效。因此，客观、准确地辨别机体状态，辅助医生制定适宜的治疗策略，对于发挥针灸临床疗效具有重要意义。一些研究指出，针灸可以通过调节与疼痛感知调制相关的大脑区域及网络来缓解疼痛[2，3]，这提示其可能通过中枢整合，将外源性物理刺激转化为治疗效应。一个相关问题是，大脑神经影像表征是否以及在多大程度上可以提供对个体差异的洞察？并在临床环境中成为可靠的预测因子，成为了当前针灸科研热点。其中，利用机器学习算法，基于神经影像数据构建疗效预测模型，引起了研究者极大的兴趣。

Tu等[4]为了解治疗前静息态功能连接(Resting-state Functional Connectivity，rsFC)是否可以作为慢性下腰痛患者对真假针刺治疗的预测指征，该团队从4个静息态网络中选择30个脑区作为种子构建FC矩阵进行特征识别，基于支持向量回归算法建立多元线性回归预测模型，发现内侧前额叶与岛叶、壳核、尾状回和角回之间的功能连接显著预测了真针刺治疗反应，而内侧前额叶与顶上小叶、背侧前扣带回之间的功能连接则预测了假针刺治疗反应。Liu等[5]利用扩散张量成像技术，结合基于脑电地形图的分析算法和线性支持向量机算法，对偏头痛患者内侧额叶-杏仁核白质束微结构参数进行量化分析并构建预测模型，采用交叉验证和特征选择程序对偏头痛安慰剂应答者和无应答者进行分类，实验成功地预测8周的安慰剂治疗效果，识别准确率超过84%。Yang等[6]采用计算机解剖工具结合交叉验证的方法，对41例偏头痛患者基线脑灰质磁共振成像数据进行信息压缩与特征提取，利用线性支持向量机构建以治疗前脑灰质体积为基础的分类预测模型。结果表明，该模型在针灸应答方面具有稳定性，提示治疗前脑灰质体积可能是一种新的针刺疗效生物标志物。

此外，Luo等[7]在一项研究中采用机器学习中的重复增量修剪算法，对收集的试验数据进行分析，总结出6条影响循经感传效应的规律，就规则而言，可以断定体质因素是影响其出现的首要因素，该模型分类准确率高达94.49%。针对临床试验期中分析策略在预测最终结果时产生的偏见风险[8，9]，Liang等[10]提出利用基于核决策树的结果预测算法发掘不同证型间的潜在差异，继而进行疗效预测。该研究采用2006—2010年间进行的多中心随机对照试验临床数据进行检验，成功地验证了其用于疗效预测的可行性。

2 穴位特异性研究

穴位特异性关乎针灸生理机制的合理解释。中医学认为，穴位特异性可作为针灸治疗时一项潜在原则[11]。现代研究借助血流动力学[12，13]与神经影像[14，15]相关指征论证穴位特异性的存在，但在文献回顾中发现，这些结果充满着不稳定性[11]。一些报道指出，穴位特异性研究存在的结果可能与针刺手法后效应有关[16]，既往诱导神经反应的针刺研究常采用一般线性模型(General Linear Model，GLM)方法，根据大脑激活假定时间模式检测针刺效应[17-19]，这种方法对先验时间信息有要求，而针灸的手法后效应决定了很难获取引起大脑变化的实际时间信息[20]，同时，GLM作为一种单变量分析法，在利用功能性磁共振成像(fMRI)数据的空间分布信息上存在局限性，因此检测神经活动对针刺刺激反应可能不够灵敏。

为探讨丘墟穴(GB40)的神经特异性，同时评价GLM在针刺诱导神经反应模式研究上的敏感性，Xue等[21]提出采用支持向量机多元(Support Vector Machine，SVM)分类方法，以太溪穴(KI3)为对照，利用SVM分析处理后的fMRI数据。结果发现，针刺GB40可显著增强岛叶、丘脑和红核的神经反应，而针刺KI3后，额叶内侧回和皮质下结构的激活减少更多，表明针刺多个穴位可引起不同的神经反应模式，相比之下，GLM的分组分析显示，针刺不同穴位都可以在多个脑区引起相似的广泛性信号减少，且在空间区域上有重叠，提示GLM分析容易出错，不适合于检测针刺刺激引起的神经反应模式。Jung等[22]为研究对刺激位置分类有影响的脑区，通过针刺14名受试者左前臂内关穴和神门穴，采集fMRI数据信息训练SVM，并利用多体素模式分析方法进行统计评估，发现可以从针刺时的大脑活动空间模式解码来自前臂两个神经支配的伤害性位置信息，提示针刺痛觉的空间信息存在于躯体感觉加工区和额顶脑区。

3 针刺手法量化探索

针刺手法是针灸治疗的关键。研究表明，采用不同的手法，控制深度和频率，可以改变神经兴奋性、局部氧分压、化学浓度和温度[23-25]，增强穴位的刺激效应[26，27]。临床上针对不同的疾病采取不同的针刺手法，但其中缘由尚未明晰。因此，开展针刺手法的客观量化研究，探讨手法特异性，对于揭示针刺作用机制具有重要价值，同时也能提高手针的推广应用。

近年来，针刺手法的量化研究主要体现在参数量化方法[28]与证明手法特异性[29]上。其中，基于评价量表[30]、评价要素[31]、肌肉神经电信号[32]以及针刺手法参数分析仪[33]实现了对针刺手法的初步量化，而后，影像技术以直观、便捷的优势逐渐推动针刺手法量化与特异性研究结合。胡银娥等[34]利用红外热像技术观察针刺合谷对健康人皮肤温度的影响，发现提插补法能够升高皮温，且具有循经性。王凡等[35]采用捻转手法针刺脑出血家兔，磁共振灌注加权成像显示血肿附近血流灌注得到改善，与留针组相比，差异具有统计学意义。李晓梅等[36]运用激光散斑血流监测系统观察不同补泻手法对健康人足三里血流灌注的影响，发现提插补法与泻法可以促进局部皮肤血流灌注，且补法的效果优于泻法。一项非线性研究报告了针刺对脑电序列的影响[37]，不同脑区之间的功能交互作用也受到针刺刺激量的干预[38]。有研究表明利用图论的方法能够实现对脑功能网络拓扑结构的定量描述[39]。对此，Yu等[40]提出利用脑电信号分析实现针刺手法分类，该研究记录使用提插、捻转手法刺激健康人足三里时产生的脑电信号，用图论方法提取功能性脑网络特征，构建二值分类器模型进行手法分类。结果表明，捻转法的同步度明显高于提插法，暗示2种针刺手法对大脑活动具有不同的调节作用，这为针刺手法的量化与特异性研究提供了新思路。

4 针灸临床教学应用

针灸实践离不开规范化训练，标准化针灸操作不仅能够提高研究精度，更能促进发挥针灸疗效。早期，经络图和铜人模型的出现极大程度缓解了学习者在腧穴定位及经络循行理解上的压力[41]，现代经络腧穴学习系统的研发[42，44]，帮助拓宽了针灸教学视野。但规范化针灸操作训练，却一直是亘古不变的难题。为了解决传统针灸训练方式对空间复杂性的需求，沉浸式针灸训练系统应运而生。

张毅[45]基于数据手套技术设计了针灸仿真系统，通过采集手指各关节在三维空间中的定位信息，实现与计算机虚拟银针实时互动，进行穴位识记。该系统增强了针灸教学中的沉浸感和趣味性，但欠缺力度反馈。Heng等[46]开发出支持针灸力度反馈的人体模型供针灸训练，通过 Phantom Desktop 力反馈仪提供实时力反馈信息，使虚拟设备有针刺真实穴位的感觉，但未能规范针灸训练手势。Zhang等[47]在一项机器学习训练手势识别模型的研究[48]启发下，提出将虚拟现实技术与手势识别设备相结合，利用机器学习的方法实现对针灸手势的实时分类。该研究利用主成分分析法(PCA， Principal Components Analysis)对手势识别设备Leap Motion采集的数据进行降维，构建在线虚拟模型，分别使用SVM和反向传递神经网络(Back Propagation Neural Network，BPNN)对模型进行训练，结果表明，BPNN的准确率可以达到系统要求，并显著提高了系统的手势识别性能。

5 讨论

当前，机器学习在针灸领域的研究运用，尚处于探索阶段，还有诸多问题亟待解决。

首先，样本量较小影响研究结果的可靠性。一方面，机器学习模型建立之初依赖训练样本集进行前驱识别工作，使得模型最终的稳定性与泛化能力与样本量息息相关；另一方面，缺乏新的独立样本使得结果的可重复性低，又成为困厄研究成果最终向临床运用转化的重要瓶颈。因此，需要增大样本量提高研究结果的稳健性与可靠性。

其次，研究方向选择较为孤立片面。纵观穴位特异性相关研究，不同团队仅以各自感兴趣的穴位进行研究，这种孤立片面的研究方式不利于腧穴研究系统性、连续性发展。中医认为不同穴位之间选配也会产生不同的治疗效果[49]，穴位配伍是否具有特定的神经反应机制？值得思考。今后可以开展团队之间的交流合作，促进腧穴研究系统化、全面化发展。此外，基于神经影像技术探索针灸疗效预测表征时，该类研究多着眼于疼痛类疾病，但针灸优势病种并不局限于此，神经功能障碍性疾病、精神情感类疾病、内分泌紊乱类疾病以及一些内脏疾病也应纳入研究范畴[50]。针灸作为一门独具特色的中医外治法，本质上仍以辨证为纲，通过证候认识、治疗疾病。而传统辨证方式的主观性，一定程度制约着针灸现代化研究进展。因此，不仅要实现诊断客观化，还应推进证候量化，同时可将得气量表评分纳入预测特征之一，构建更能彰显中医特色的针灸疗效预测模型。

第三，在探讨针刺手法特异性时，这些研究没有纳入患病人群。穴位敏化研究认为，腧穴具有 “开/合”的功能，即在健康状态下，穴位处于闭合的“沉寂态”，当机体为病理状态时，穴位则转变为开启的“激活态”[51]。这意味着在病理状态下进行针刺手法特异性研究，更有助于体现其治疗效应。今后可以开展基于患病人群的不同针刺手法对中枢整合机制的研究，推进手法量化与穴位敏化联合研究进展。

第四，与传统统计学基于因果假设检验，围绕显著性和样本拟合优度选择模型的特征比较，机器学习较少关注模型的可解释性，而是围绕算法的交叉验证和迭代改进关注模型的预测性能及泛化。这使得仅从数据驱动的角度下利用机器学习构建相关模型可能并不具备实际意义。因此，需要前期排除冗余特征的干扰，基于目的驱动选择相关特征构建模型。

最后，受伦理因素与人文关怀的影响，一些人体试验无法完全脱离药物治疗，造成针灸效应与药物效应相混淆，针对试验环境中辅助药物的干预效应，如何利用现代科学技术实现与针刺效应的区分，这也是目前分析技术上的难题。因此，需要增进广大针灸科研工作者与机器学习、数据挖掘、数据管理等其他学科人员的交流合作，充分发挥多学科的优势，齐心协力攻克这一难题。

6 展望

机器学习在针灸领域获得的一些研究成果，初步证明了其应用价值。作为一门灵活的科研辅助手段，既往研究所提供的机器学习应用思路方法也并非一本万利，应该熟悉不同算法的优缺点，选择最合适的方法，才能从大数据中受益。未来医学发展的重要趋势是治疗的个性化，因此，有必要利用机器学习，推进开展针灸优势病种人群筛查工作，建立基于个体差异的疾病、证型、穴位乃至刺灸法的个性化精准诊疗平台，这对于提高医生的临床决策能力、促进发挥针灸疗效以及缓解日益严峻的医患矛盾，都具有重要意义。学科融合的背景下，针灸科研势必朝着一个更加明晰的方向发展。