人工智能在中医诊断中的应用进展

本研究立足于各类人工智能算法的数学原理,阐述了人工智能在中医诊断中的应用现状及问题。其中传统机器学习算法,如支持向量机、贝叶斯算法等因其小样本学习的特性,在闻诊、问诊等场景具备较高的精度与稳健性;而近年来新兴的深度学习算法则可以处理如图像、音频信号、文本等非结构化数据,与望诊、切诊等场景相契合;多模态深度学习则可以充分挖掘望闻问切数据中的信息,并在特征空间中进行隐式的四诊合参。人工智能的引入可以进一步推动中医的客观化、定量化发展,但其数据驱动的特性要求进一步规范现行的中医数据库建立流程。     

基于深度学习的舌象自监督聚类

目的：解决人工智能舌诊领域数据标注成本较高且带有较强主观性的问题。方法：基于深度学习中的对比学习技术,对舌象进行自监督聚类。该方法首先利用卷积神经网络将不同数据增强模式下的舌象映射到潜在空间,并在学习同类实例之间共同特征的同时尽可能区分非同类实例;随后利用高斯混合模型对网络提取的特征向量进行聚类。结果：在无需引入先验知识的情况下,利用300张舌象仪采集的无标签图像取得了52.54%的聚类纯度。结论：该方法一定程度上将医疗工作者从费事费力的数据标注工作中解放出来。除应用于自动化舌象分类外,该方法还可进一步针对不同病症的特殊舌象症候群进行聚类分析,其提取的舌象特征也可为舌体分割、舌色分类、苔质分区等下游任务提供预训练的参考。     

基于计算机视觉的点刺标注与检测

目的：智能化地识别点刺在舌体不同区域的分布情况。方法：首先利用LoG算子对舌体图像进行卷积运算，对舌体上的斑点进行初步检测；随后利用人工交互的方式微调点刺标注，并训练卷积神经网络模型Fast-RCNN。结果：将同一舌象仪采集的240张图像作为训练集，60张图像作为测试集，达到了90.78%的召回率，优于已有的方法。结论：本文提出的数据预标注与人工微调方法将细粒度的点刺标注变为了可能。在精确到点刺个体的数据集基础之上，本文引入卷积神经网络进行亚像素级的点刺分布检测，其结果可为中医临床诊断提供客观化、定量化、自动化的参考依据。