中医临床辅助决策系统功能与算法的发展评述

　　【摘要】系统梳理近40年中医临床辅助决策系统（TCMCDSS）研究概况，分别从功能维度、算法维度2个角度进行论述。其中基于功能维度的TCMCDSS又可分为中医临床医学专家系统、专病系统、中医诊断辅助决策系统、中医临床治疗方案推荐系统、系统5类；而算法维度也可分为基于规则、基于搜索引擎、基于机器学习、基于知识图谱、深度学习和知识图谱相融合5类。经过系统研判，认为目前中医临床辅助决策系统在系统性能优化以及和医院信息系统的融合方面存在问题，同时通过分析对TCMCDSS的未来发展提出了相关的展望。

　　【关键词】中医临床；专家系统；辅助决策系统；人工智能；算法

　　传统的中医临床诊疗过程是医生根据个人经验与具体案例结合进行诊疗，由此非常依赖医生的临床经验和知识储备，不同资质的医生可能会为同一患者给出完全不同的处理方案，这就导致诊治的疗效和安全性很难得到保障。而另一方面中医古籍很多，现代文献海量递增，临床指南快速更迭，这一切都使中医医生完全依靠个人经验的积累很难在临床场景中选择最妥当的中医诊疗方案。这一背景下中医临床辅助决策系统应运而生，其强大的存储与计算能力，不但使得庞大知识库的存储、查询与利用成为可能，而且机器学习和深度学习等算法的引入更使得中医智能辅助决策在方法学上具有可行性。

　　中医临床辅助决策系统能给临床医生提供诊疗决策支持，具有开拓医生思路，规范中医诊疗，提升医疗安全与临床疗效的能力。在当前医疗资源供需失衡的大背景下，实现中医诊疗方案的优化，提升基层医疗水平，建立中医临床辅助决策系统是符合临床传承与应用实际的需求。但中医知识表示的模糊性，自然语言输入的随意性导致系统准确率低，性能需优化，已经问世的诸多中医临床决策系统尚不能完全满足中医临床的需求。

　　鉴于此，本研究拟对近40年中医药领域的中医临床辅助决策系统（traditional Chinese medicine clinical decision support system, TCMCDSS）进行梳理，以（中医药or中医or中药or中成药or中草药or草药or针刺）and（辅助决策or人工智能or辅助诊断）作为“关键词”在中国知识资源总库（CNKI）检索文献，并对检索所获文献进行进一步的检索和阅读，从功能和算法2个维度具体分析TCMCDSS当前研发的优势和劣势，为以后TCMCDSS的研发提供参考。

　　1基于功能维度的中医临床辅助决策系统研究

　　1.1中医临床医学专家系统

　　中医临床医学专家系统，就是基于医学知识库的知识存储与推理利用的系统。旨在打造如同人类专家一样可以处理现实问题的智能系统。世界上第一个医学专家系统是斯坦福大学于1976年研发的MYCN系统。

　　我国第一个中医专家系统是1978年中医关幼波肝炎诊断治疗程序，其对慢性病毒性肝炎的诊治总有效率达到了81.9%。中医专家系统经过几十年的发展，已经形成了一定的体系，中医专家系统基于时间脉络的划分可分为3个阶段。

　　第一阶段：20世纪80年代前为中医专家系统研究的起步时期，这个时期主要表现为以知识为中心。这一时期的系统设计大多是关于某一病证或某一名老中医经验的辅助决策系统。系统实现的功能比较单一，准确率不高，应用程度不高。

　　第二阶段：20世纪80年代至2010年为发展时期，这个时期的专家系统推理模型多利用各种机器学习算法或模型实现单病种的证候预测、方剂推荐、针灸推荐、合理用药提示推荐等功能。但此阶段的系统较少涉及具体的疗效评价，系统的实用性还有待考察。

　　第三阶段：2010年后，深度学习逐渐运用到中医临床辅助决策系统的疾病、证候、方药推荐中，目前还处于探索发展时期。

　　1.2专病系统研究

　　专病系统是针对某一种疾病的临床辅助决策系统，此类系统会根据这一种疾病对本病证候的确定、辅助治疗等方面进行计算机辅助决策，从而提高临床医生对此类疾病的诊断效率和准确率。目前研制出来的专病系统大多数都是常见病的专病系统，如妇科疾病、心血管疾病、、胃炎等慢性疾病。根据使用的关键技术的不同大致可以分为以下几种：基于疾病相关规则；基于知识库；基于机器学习技术；基于BP（back propagation）神经网络。虽然系统对于专病的诊断和辅助决策有一定的临床意义，但是文章很少提及系统在临床中的具体使用情况，缺少对系统的评价。

　　1.3中医诊断铺助决策系统

　　依据中医诊断的整体审查、诊法合参、病症结合的原则，中医诊断辅助决策系统主要围绕舌诊、脉诊、中医分科推荐、中医疾病诊断推荐和中医证候推荐5个方面构建展开。

　　1.3.1舌象智能识别

　　舌诊作为中医望诊中的一个指标，医生可以通过观看患者的舌象来了解判断患者体内的变化。但其受医生主观经验和外界光照环境的影响较大，因此，借助计算机实现舌象的辅助诊断就尤为必要。李庆利等设计了一款基于高光谱成像技术的中医舌象辅助诊断系统，该系统首先对高光谱舌图像进行了特征提取，借助贝叶斯分类器初步建立舌象特征和病症之间的联系，经过临床数据验证该系统具有一定的准确性。

　　1.3.2脉象智能识别

　　脉诊是我国医学中最具特色的一项诊断方法，是中医“整体观念”和“辨证论治”精神的体现和应用之一，同样也是中医“四诊合参”中不可缺少的组成部分。中医脉象智能识别的研究和发展包括早期的特征分析，到后来的卷积神经网络在脉象识别中的应用以及基于深度学习和集成学习10的脉象信号分析识别研究。

　　有学者采用脉象仪分别对冠心病患者和健康人进行脉象采集，对比分析两组脉象及脉图参数变化的规律和差异，获得的脉图参数可以为冠心病辅助诊断及辨证论治提供参考依据四。但是目前关于脉象识别的研究都是与正常人差别很大的脉象，即特征比较明显的脉象。随着技术的进步和可穿戴设备的应用和普及，脉象智能识别系统已经向着便携及可穿戴化方向发展，智能可穿戴设备可结合手机软件展示用户的身体情况，给出用户相应的调理建议，而且收集到的海量用户身体数据也可应用于更多的医疗产品研发中。

　　1.3.3中医分科推荐

　　从临床辅助决策系统构建的角度来看，如果可以构建中医智能分科系统，不但可以提升患者挂号的效率，而且可以通过智能分科的过滤，快速提升全科中医辅助决策系统的准确率。

　　Liang等的研究基于预训练模型，将临床记录中的7037条医案记录，分为内、外、妇、儿、耳鼻喉5个科，准确率达到（89.39±0.35）%，宏观F1值为（88.64±0.40）%，但本研究并没有基于大量中文语料训练中医BERT模型，只是采用小量临床语料进行了模型的微调。未来加载更多的领域标注语料，应该可以进一步提升其准确率。

　　1.3.4中医疾病诊断推荐

　　2020年国家中医药管理局颁布的《中医临床诊疗术语疾病部分》共有1367个中医疾病名称，想要临床中医师熟记于心并熟练使用并非易事，而疾病诊断的准确性，术语的规范性不仅是中医临床用药、判断预后的关键，而且也是后期医案数据挖掘分析、辅助决策系统优化的关键因素。因此，借助计算机系统实现疾病的诊断推荐就显得尤为重要。根据中医疾病诊断推荐系统使用的关键技术可以将中医疾病诊断系统分为基于深度学习、灰色理论）、相似度计算等。有研究者以中国中医科学院中医药信息研究所研发的古今医案云平台中的医案数据和中医临床辅助决策系统中的指南数据为语料，研究了多种改良朴素贝叶斯算法。研究发现基于主症加权和等概率的朴素贝叶斯算法（不加先验概率）的69%高出15.2%，在很大程度上提升了朴素贝叶斯分类器的性能，具有一定的临床实用性。中医疾病诊断系统也存在着训练样本量不够以及样本质量偏低的问题，同时还缺少系统应用之后的效应评价，还需要后续更深入地研究。

　　1.3.5中医证候诊断推荐

　　辨证就是根据中医学理论通过对症状等进行分析而确定证素（病理本质）并做出证候判断的思维过程8.在中医证候诊断推荐研究中有直接基于证素1的证候诊断推荐，也有借助机器学习技术来实现证候诊断推荐的，如甘志超等人20的研究，基于机器学习方法，从数学建模、数据挖掘和系统设计实现3个方面，构建缺血性中风病恢复期临床辅助诊断系统，实现缺血性中风病恢复期3种中医证型的临床辅助诊断模型和临床推荐用药规则的临床实际测试与运用。但是大多数证候诊断推荐系统都是根据单一病种的证候特点进行学习和推理，在今后的研究中，应该扩大训练样本的范围和数量，实现更加全面的证候诊断推荐。

　　1.4中医临床治疗方案推荐

　　在有了具体的病症和诊断之后，中医临床辅助决策系统还要提供相应的中医临床治疗方案，本研究将从中医针灸处方推荐、中药处方推荐、中成药推荐和合理用药监测4个方面进行论述。

　　1.4.1针灸处方推荐

　　针灸处方推荐系统可以分为两类，其中曹悦等人2的研究通过中医辨证论治“因、位、性、势”48位编码的辨证论治算法模型，为临床医生提供古代针灸名家和现代名老中医治疗中风病配穴方案决策。此外，还有整合硬件的集辨穴和治疗一体的针灸机器人，如南京中医药大学针灸推拿学博士徐天成等人2研发了一款“数字经络-智能针灸机器人系统”，具有自动定位穴位、智能配伍穴位、扎针、模拟人的手法等功能。目前各项针灸机器人的研究还处于摸索状态，应用于临床还需要一段时间。

　　1.4.2中药处方推荐

　　中药处方推荐也是中医临床辅助决策系统中比较重要的一个功能模块。此模块需要根据之前所做的关于疾病的病名、证候等诊断以及患者的性别、年龄等基本信息，推荐相应的中药处方。中药处方推荐系统根据所使用的关键技术可以分为基于规则、机器学习技术、知识图谱技术、深度学习技术实现的中药处方推荐系统。其中梁恒肇2设计的一款基于SimRank算法的中医处方推荐系统，该系统相比于传统的中药处方推荐系统，创新加入处方中各中药的剂量推荐。有学者则使用改良BERT—RoBERT-Large模型，直接采用整句训练的方式，在无需额外的预训练数据集的情况下完成伤寒论等古籍中的中医智能处方任务，准确率达到了92.2%。目前大多数系统对于加减用药及用药禁忌等方面都没有提及，后续的研究应该着重解决这方面的问题，使之能够早日应用到中医临床诊疗中。

　　1.4.3中成药推荐

　　据《新编国家中成药》统计，共计有9629种中成药已经获得批文并进行生产和临床应用。随着中成药在临床中广泛应用，带来的问题也越来越多，如何找到对症的药物以及不同药物之间的配伍禁忌问题，都是急需要解决的。张万义等设计的基于中医辨证的智能中成药推荐系统，该系统将中医临床上常见的近100种疾病的分型、症状表现、上千种中成药及中医外治疗法资料进行提取和整合，实现了对中医常见疾病的辨证分型和中成药及中医治疗方法的推荐。

　　1.4.4合理用药系统

　　在现有的临床医疗体系中，医院对于中药的合理使用缺乏管理，对中西药合用的禁忌缺少应有的监测和预警，因此，有必要通过建立合理用药系统来加强对中药使用的合理性和安全性进行管理。目前有一款基于Access数据库和Delphi7工具设计开发的安全处方管理系统，该系统能够实现对药物剂量超量、药物配伍禁忌监控、药物重复用药监控等功能，能够实现自动对医生的处方用药进行预警和提示，提高用药质量的同时加强了药物管理27.目前系统对于中西药合用的禁忌并没有进行监控和预警，而且，对于特殊人群的用药禁忌只涉及了孕妇，对于老人和小孩的用药禁忌并没有考虑在内。

　　2基于算法维度的中医临床辅助决策系统研究

　　通过对系统可实现的功能方面对中医临床辅助决策系统进行了梳理，影响中医辅助决策系统的应用性能主要由两大方面组成：功能的完善与合理性：性能的高效与准确性。而系统的性能在很大程度上取决于算法的优劣，在不同的时代背景下，产生了以下几种算法流派，其各有优劣，下面将从系统所采用的主要算法层面来介绍中医临床辅助决策系统的研究现状。

　　2.1基于规则的中医临床辅助决策系统

　　基于规则的中医临床辅助决策系统是指系统所使用的知识表达技术是基于规则引擎的，该类系统可通过知识库预先设定的规则对工作存储器中的断言进行匹配，在正向（反向）推理中，如果规则的前提（结论）得到满足，那么推理机推导出规则的结论（前提）部分成立，并且作为新的断言放入工作存储器中供后续的推理使用，直至所求解的问题得到结果。这类系统使用的规则大多数都是普通的if-then规则，但效率较差，基于Drools规则引擎则更为高效，兼容JavaSpel和Mvel两种规则语法表达式，以及正则表达式，可以更大范围地贴合多种第三方场景业务。以Rete算法为核心的糖尿病证候及并发症的预测2已经实现。基于规则的推理是中医临床辅助决策系统中应用最早、最广泛的技术，但是也存在着一定的缺陷，如系统的准确性很大程度上取决于初始专家库的建立。应用层面存在若输入的症状表达与系统内存储的表达不匹配，可能会面临无结果输出或结果太过偏离等问题。

　　2.2基于搜索引擎算法

　　随着个人电脑和智能手机设备的普及，搜索引擎成为人们使用最多同时也是最方便的工具，设计并应用基于搜索引擎的中医临床辅助决策系统是可行并且有意义的研究内容。如关姚姚2的研究，基于大数据处理技术Spark和Elasticsearch集群搭建中医诊疗信息化系统，通过直观的数据展示，找出病案数据中隐藏的有价值的信息，方便医生的临床诊断。

　　虽然此类系统可实现度较好，但是在一定的程度上也存在着缺点，比如该类系统内的数据都是通过人工方式导入的，不能与医院的HIS对接，真实世界的病案信息不能共享，另外，此系统中的数据建模模块算法不够丰富，没有集成关联规则算法，只是设置了基本的分类、聚类和回归算法，后续还需要进一步的努力和研究。

　　2.3基于相似度算法

　　相似度算法是案例推理（Case-based Reasoning, CBR）设计中的重要部分，恰当的相似度计算策略将提高检测的精度以及检测速度。常用的相似度算法有：余弦算法、jacarrd系数。有研究者从证候、疾病、症状等关键医案属性建立医案相似性计算模型，开发具有集成展示、智能检索、辅助分析功能的中医医案智能检索系统，使医生可迅速获取与临床病例最为相似的医案文献及病证诊断治疗的可信、有效的参考方案，最大程度减小疗效的不确定性。此外，王来奇3的研究中提出一种混合相似度算法，基于CBR的混合检索方法，通过实验和结果的比对验证了所提出的混合相似度度量方法的可行性和有效性，准确率相比于使用单一的相似度算法有了很大的提升。这一算法与中医这一经验学科的本质属性非常接近，都是从以往相似的病例中寻找与现有病例最相似的治疗经验来治疗现有的病例，但是需要找到合适的知识表示方法来表达病案中病情发展的时序关系。

　　2.4基于机器学习的中医临床辅助决策系统

　　机器学习也被称为统计学习，就是用数据或者以往的经验，来优化计算机程序的性能标准，机器学习应用于中医临床辅助决策系统上是将古今医案、基于某一专家的经验、临床指南等内容作为训练内容，从中不断学习来优化系统决策的准确度。该类系统所使用的主要算法有贝叶斯、Logistic回归、K临近算法和支持向量机等。虽然机器学习算法在中医临床辅助决策系统中已经广泛应用，但是由于机器学习算法自身存在的一些问题，使得系统的准确性和可解释性存在着一定的进步空间。

　　与传统的机器学习相比，深度学习更加强调了模型结构的深度，深度学习和强化学习等神经网络算法在中医临床辅助决策支持系统中的应用主要包括：word2Vec向量技术、BP神经网络、模糊神经网络等。此外，还有任雪等提出了一种基于主动学习的中医智能诊断模型。该模型可通过主动学习机制达到个性分析能力，也将卷积神经网络、决策树、贝叶斯等传统机器学习算法的模型进行集成训练，在此基础上获得更为准确的中医知识学习模型。最后通过以儿科常见肺炎喘嗽为例，验证基于该模型构建的中医临床辅助决策系统。相比于基于传统机器学习技术构建的中医临床辅助决策系统的准确率明显高出很多。也有学者将BERT与互信息聚类相融合进行中医方剂的推荐，已经开始考虑深度学习与传统机器学习的融合，这可能是以后中医临床辅助决策系统构建的一个研究方向。

　　2.5基于知识图谱的中医临床辅助决策系统

　　知识图谱（knowledge graph）采用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制现实知识及其间的关系。利用知识图谱的自动问答功能，将实体及其关系进行推理，从而可以得到问题答案，这与专家系统依据专家的知识和经验得到问题的答案是类似的过程。相比传统的专家系统，基于知识图谱技术构建的中医临床辅助决策系统覆盖的知识更加全面，且具有一定的推理功能，从而能够提供更加完善可信的决策支持服务。这方面有崔一迪等人的研究，通过抽取指南和专家共识中的中医对寻常型银屑病的中医诊疗知识，构建本体类和类的层级，并在此基础上初步构建了辅助诊疗系统，实现了寻常型银屑病的知识推理和可视化知识检索、证型诊断、诊疗方案推荐和合理用药提示等功能。此外，还有通过“自上向下”的知识图谱构建方式与高质量的结构化数据，建立较为全面的名医知识体系，并基于此建立了赵炳南学术传承专题知识应用系统，展示赵炳南学术思想和知识体系，支持学术传承流派的专家信息检索36.但此类研究中术语的标准化程度有待进一步提高，知识来源也需要进一步扩充。

　　2.6深度学习和知识图谱相融合的中医临床辅助决策系统

　　此类系统将深度学习和知识图谱算法相融合，通过对涉及疾病诊疗本质的指南、文献、医疗病历等数据进行“学习”，来自我完善知识库、规则库以及决策引擎模型。不但可以实现精准、高效的综合分析与判断，同时为医生诊疗过程中所涉及的基本检、诊、治服务提供精准的解决方案推荐。在辅助决策系统应用中，知识图谱的应用可以增加深度学习的可解释性，提升临床医生的信任度。这方面的研究如有学者基于知识图谱和深度学习（BLSTM）融合后提升对甲状腺疾病的诊断准确率，而平安医疗则在产品化方面进行了探索，构建了基于中文医疗知识图谱构建智能辅助诊疗系统，通过利用真实世界的证据来规范规则，用真实数据来发现规则、修正规则，为临床医生提供诊断和治疗推荐。

　　2.7多种算法相融合的辅助决策系统

　　基于单一的算法模型难免局限，多种算法相融合是中医临床辅助决策系统发展的必然趋势。在这一点上，中国中医科学院中医药信息研究所研究建立的中医临床智能辅助决策系统（http:/ www.tcmeds..com）进行了有益的探索，其包含中医助手、云门诊、专病专科、知识推荐、中医算法平台5大模块。其中中医助手模块，能够根据输入的刻下症进行智能问诊推荐，在此基础上基于主症加权和等概率等多种改良朴素贝叶斯算法实现中医疾病的推荐，基于中文自然语言处理领域最强大的预训练模型BERT以证素为切入点实现中医证候的推荐，基于多种神经网络算法实现中医方药智能推荐，完全打通医生从问诊到开方的全流程辅助决策。其中辅助决策功能通过API调用，开发完成包含中医门诊全流程，即挂号、建档、排班、收费/退费、发药/退药等功能的中医科信云门诊系统，也能够实现医生输入患者的病历信息，系统会根据输入的病历信息调用智能问诊、智能诊断、智能处方。

　　3中医临床辅助决策系统研究的不足

　　3.1系统性能问题

　　中医临床辅助决策系统在四诊辅助诊断、方药推荐、疾病预测等方面具有广阔的前景，但是还存在着许多问题，这些问题来自系统功能的不完善，有些来自应用上的困难，亦或是技术本身的缺陷，主要论及功能、应用和技术3个层面。

　　3.1.1功能层面

　　（1）目前的辅助决策系统大多数是针对单病种，多是根据一位专家的经验设计的单一疾病的辅助决策系统，不能满足临床多样化的需求，适用性不高。

　　（2）较少涉略加减用药辅助决策，用药的加减本来就是临床开方中的一个难点。医生根据患者诊次之间的症状变化来确定本诊次的遣方用药，是效不更方，还是另起炉灶，若是前者，如何根据病情变化，调整上次方剂的药味和剂量某种程度上是考量医生功力的标尺。

　　（2）而现有的中医临床辅助决策系统给出的临床诊治方案都是原方，较少涉及用药的加减，这在一定程度上降低了中医临床辅助决策系统的实用性。

　　（3）较少涉及疗效评价，对系统的实用性缺少客观的评估，目前大多数研究都只关注系统的准确率和召回率，对系统在临床使用中的疗效评价较少涉及，且也缺乏比较权威的疗效评价指标和标准。

　　（4）缺少对中药使用、中西药合用禁忌的监测和预警，且目前现有的合理用药研究只是关注于孕妇这一种群体，对于老人、小孩及其他慢性病的用药禁忌没有提及。

　　3.1.2应用层面

　　（1）应用人工智能的法律和伦理问题。应用基于人工智能技术构建的中医临床辅助决策系统虽在一定程度上缓解了临床医生的压力，但是人工智能领域的法律和伦理风险是一直存在且具有争议的问题，患者的信息安全保护，避免患者信息泄露等都是需要解决的问题。

　　（2）系统在使用过程中对使用人员的培训问题。每个系统都有自己的操作规范和系统特色，临床医生在学习使用系统的时间成本及系统使用的便利程度，目前都很少提及，并且也没有涉及对这方面的评估。

　　（3）自然语言输入问题。由于就诊的患者并不具备中医方面的专业知识，对于疾病和症状的表达都是自然语言，这就需要临床医生把不是标准的疾病描述信息转化成系统内部标准的症状表达，但医生临床工作的繁忙决定了这样的工作完成度欠佳，病案记录相对随意，与规范化表达相距甚远，进而影响系统决策的准确性。

　　3.1.3技术层面

　　（1）深度学习语料受限，准确率和可解释性需要提升。现有的基于深度学习搭建的中医临床辅助决策系统大多存在语料不足、语料不均衡等问题，没有一定数量和质量的语料让算法进行学习和训练，产生的结果必然很难达到预期。但受限于临床电子病历的私密性和特殊性，要想获取大量高质量的语料十分困难，而单纯基于期刊图书文献的医案语料必然存在很多局限性，其无法对疗效做出真实的判定。

　　（2）应用规则引擎、知识图谱技术、深度学习算法的TCMCDSS的效率问题，目前的研究只是关注到了系统的准确率与召回率等方面，对于算法运行的效率并未有提及。

　　（3）使用单一人工智能技术的技术壁垒问题，例如基于规则引擎的系统的准确性很大程度上取决于原始规则库的建立。使用深度学习算法的系统虽然可以获得较好的准确率和召回率，但是深度学习的可解释性较差。基于知识图谱技术构建的系统，知识表示直观，可以获得较好的可解释性，但是知识图谱技术本身存在着诸如存储和更新、多源数据的融合等问题。

　　3.2外在环境限制

　　上面提到的这些其实都是系统本身的不足，同时外在环境层面也存在许多障碍在阻碍中医临床辅助决策系统的发展和进步。

　　首先，参与研究人员群体单一，影响系统多样性发展。该类系统的研究多集中在高校和科研院所，研究人员主要集中在中医专业和计算机专业，要么是只懂中医理论而不懂计算机技术，要么是只懂计算机技术而不知中医理论。且高校和研究院所由于精力有限，大多只能研究单病种或某个医家的中医临床辅助决策系统，并不能实现对疾病的全部覆盖。

　　其次，与医院HIS的对接问题，目前大多数系统都是独立的一套系统，真实世界的病历资料并不能被很好地利用和共享。同时，这样的现实也使得中医临床辅助决策系统的应用层面只能是较小的中医诊所，而不能进入大型的中医医院中，这可能需要更多政策层面的支持。

　　最后，追踪机制的缺失。一个好用且功能完备的系统肯定不是一个版本就能完成的，一定是在使用的过程中通过用户的反馈来逐渐更新进步的，但由于目前的大部分系统都是高校和研究院所研发，这就决定了其没有足够精力和能力完成这项工作，这就使得很多系统并没有更新，用户的反馈得不到改进，带来的用户体验并不好。

　　4展望

　　虽然TCMCDSS目前还存在着一些不足，但随着人工智能技术的发展，算法的不断优化改进，中医药+计算机人才的培养和成长，以及国家政策的支持和引导，必然会迎来更加全面的发展，更加贴合临床实际，辅助医生诊疗，助力名医经验传承。针对上面提到的各种不足之处，未来可以从以下几个方面进行优化。

　　（1）语料的不断丰富：随着信息技术的发展和人工智能技术在中医药领域的应用，以及电子病历的普及，通过先进的信息技术手段对从古至今的临床医案内容进行规范化的处理，使之成为可以利用的语料，这是中医信息化的一个必然的发展方向。标准化后的医案内容可以成为机器学习的语料。通过语料质量的提高和数量的增长，必然会提升算法的准确性，使基于此算法开发出来的中医临床辅助决策系统在疾病诊断方面具有更高的准确性和更强的临床适应性。

　　（2）规则和深度学习的融合：传统的临床辅助决策系统大多是基于某位国医大师的诊疗经验来进行疾病的推理，但是这种推理模式的准确性很大程度上取决于初始专家库的建立，其不但需要耗费巨大的人力、物力，且具有很强的局限性，如将规则与深度学习相融合，通过对规则的不断学习和完善，从而使自身达到最优的状态，成为中医全科全能的人工智能“国医大师”。

　　（3）知识图谱与深度学习融合：将基于本体的语义网络、人工智能、深度学习、神经网络算法、知识图谱等前沿技术对涉及疾病诊疗本质的指南、文献、医疗病历等数据进行“学习”，自我完善知识库、规则库以及决策引擎模型，不但可以实现精准、高效的智能综合分析与判断，为医生诊疗过程中所涉及的基本检、诊、治等服务提供精准的解决方案推送，而且可以增加深度学习的可解释性，提升临床医生的信任度，进而扩展辅助决策系统的使用。

　　（4）基于强化学习建立可以交互学习、持续迭代的决策模型：通过强化学习原理和技术建立可以持续迭代的决策模型，可以在一定程度上解决中医临床语料太少的问题，也可以在中医复诊疗效判定、加减用药等方面有所创新，是未来中医临床辅助决策系统研究的方向之一。

　　（5）建立更加全面的临床辅助决策系统：可将现有的单病种的临床辅助决策系统通过接口对接的方式进行集成，使之成为能够进行中医全科辨证并提供相应辅助决策信息的系统，并接入医院的HIS中，成为医院HIS中的一个功能模块。

　　（6）中医药+计算机人才的培养：随着人工智能技术和大数据技术的发展，几千年积累下来的中医药巨大知识宝库还处于待挖掘和发现的状态，迫切需要培养中医药+计算机相关方面的人才，以助力于中医药信息化、数字化工作，将中医药文化发扬光大。

　　5结论

　　综上所述，中医临床辅助决策系统历经30余年的发展历程，已经在智能四诊、疾病证候辨识及方药推荐等方面取得了一定的成就，但无论是基于规则和搜索引擎的传统知识推荐，还是基于相似度学习的医案匹配，无论是传统机器学习还是近年来热度攀升的深度学习和知识图谱技术，都不能完全解决领域现有问题，也无法获得行业公认的准确率和召回率，在临床实用性、普及型方面更是有很长的路要走。

　　未来随着自然语言处理领域技术的不断进步，中医药领域标注语料的不断累积，中医临床辅助决策作为自然语言处理的重要下游任务之一也必将日益完善。

　　原文详见https://pan.baidu.com/s/1d75Hye9hMfCR-SBphQiG2Q?pwd=tok5

　　Doi：10.3969 j.issn.1673-7571.2022.2.018