Research progress and challenges in artificial intelligence‑driven intelligent traditional Chinese medicine diagnosis and treatment

WANG Yanhong; YANG Xin; YANG Yun; CUI Ji; ZHANG Ge; TIAN Jianhui

doi:10.16305/j.1007-1334.2026.z20250609004

您当前的位置：

首页 >

文章列表页 >

Research progress and challenges in artificial intelligence‑driven intelligent traditional Chinese medicine diagnosis and treatment

更新时间：2026-01-06

- Research progress and challenges in artificial intelligence‑driven intelligent traditional Chinese medicine diagnosis and treatment
- Shanghai Journal of Traditional Chinese Medicine Vol. 60, Issue 1, Pages: 1-11(2026)
- 作者机构：
  
  1.上海中医药大学附属市中医医院肿瘤临床医学中心（上海 200071）
  2.上海中医药大学附属市中医医院肿瘤研究所（上海 200071）
  3.香港浸会大学中医药学院（香港 999077）
  4.上海中医药大学中医学院（上海 201203）
- 作者简介：
- 基金信息：
- DOI：10.16305/j.1007-1334.2026.z20250609004
  CLC：
- Received：09 June 2025，
  
  Published：10 January 2026
- 稿件说明：
移动端阅览
王衍鸿,杨新,杨蕴,等.人工智能驱动下的中医智能诊疗研究进展与挑战[J].上海中医药杂志,2026,60(1):1-11.

WANG Yanhong,YANG Xin,YANG Yun,et al.Research progress and challenges in artificial intelligence‑driven intelligent traditional Chinese medicine diagnosis and treatment[J].Shanghai Journal of Traditional Chinese Medicine,2026,60(1):1-11.
王衍鸿,杨新,杨蕴,等.人工智能驱动下的中医智能诊疗研究进展与挑战[J].上海中医药杂志,2026,60(1):1-11. DOI： 10.16305/j.1007-1334.2026.z20250609004.

WANG Yanhong,YANG Xin,YANG Yun,et al.Research progress and challenges in artificial intelligence‑driven intelligent traditional Chinese medicine diagnosis and treatment[J].Shanghai Journal of Traditional Chinese Medicine,2026,60(1):1-11. DOI： 10.16305/j.1007-1334.2026.z20250609004.

摘要

目的

围绕“中医辨治六步程式”，系统梳理人工智能在中医智能诊疗中的关键范式（监督学习、无监督学习、强化学习和深度学习），总结代表性进展与应用边界，提炼面向落地的技术路径。

方法

检索与归纳近年来发表的高质量相关文献，按中医“望-闻-问-切-辨证-处方-疗效预测”的全链路，对人工智能算法类别、数据资源与评测进行对照分析，并从数据标准化、可解释性与隐私安全维度构建“问题-方法”映射。

结果

①中医四诊客观化研究表现出从“特征工程+传统机器学习”演进至“Transformer算法/扩散模型+多模态”的生成-判别协同特征；②生成对抗网络与大语言模型等可显著提升中医证候识别与个体化处方推荐能力，其在相关临床诊疗场景中取得可验证增益；③强化学习在中医临床“动态调方-疗效反馈”闭环中展现出潜力，但受高维异质状态、奖励稀疏/延迟、离线偏置与安全探索等限制；④提出面向中医药人工智能研究的可实施路径，即跨模态对齐与共享表示、知识图谱增强的可解释建模、联邦学习与差分隐私、数字孪生结合安全强化学习的虚实融合训练与验证。

结论

人工智能正重塑中医智能诊疗流程与证治逻辑，但规模化落地仍依赖数据标准、可信与安全机制的协同建设。以“中医辨治六步程式”为骨架，结合多模态融合与大语言模型对齐，可推动中医从经验驱动走向数据与模型驱动，支撑精准辨证、个体化组方与可追溯决策。

Abstract

Objective

Focusing on the "six-step procedure for diagnosis and treatment in traditional Chinese medicine（TCM） "， to systematically review the key artificial intelligence （AI） paradigms （including supervised learning， unsupervised learning， reinforcement learning， and deep learning） in intelligent TCM diagnosis and treatment， summarize representative progress and application boundaries， and outline practical technological routes for deployment.

Methods

A search and synthesis of recent high-quality literature was conducted. Based on the full TCM diagnostic and treatment process of "inspection， listening/smelling， inquiry， pulse-taking， syndrome differentiation， prescription， and outcome prediction"， a comparative analysis was performed on AI algorithm categories， data resources， and evaluation strategies. Additionally， a "problem-method" mapping was constructed from the perspectives of data standardization， interpretability， and privacy/security.

Results

①Research on the objectification of TCM's four diagnostic methods evolved from "feature engineering + classical machine learning" to a generator-discriminator synergy with "Transformer algorithms/diffusion models + multimodal fusion". ②Generative adversarial networks （GANs） and large language models （LLMs） significantly improved the ability to identify TCM syndromes and recommend individualized prescriptions， with verifiable gains in related clinical diagnosis and treatment scenarios. ③Reinforcement learning demonstrated potential in the clinical "dynamic prescription adjustment-efficacy feedback" loop in TCM yet it was constrained by high-dimensional heterogeneous states， sparse/delayed rewards， offline bias， and safety exploration. ④Actionable routes for AI research in TCM were proposed， including cross-modal alignment and shared representation， knowledge graph-enhanced explainable modeling， federated learning with differential privacy， and digital-twin-driven safe-reinforcement learning for virtual-to-real training and validation.

Conclusions

AI is reshaping the TCM intelligent diagnosis and treatment workflow and the logic of syndrome differentiation and treatment， but scalable deployment hinges on data standards and trustworthy， safe mechanisms. Grounded in the "six-step procedure for diagnosis and treatment in TCM" framework， multimodal integration and LLM alignment can drive a transition from experience-driven to data- and model-driven TCM， enabling precise syndrome differentiation， personalized prescriptions， and traceable decision-making.

关键词

Keywords

references

刘华，王润琦，者荣娜 . 地方性法规贯彻执行《中华人民共和国中医药法》的现状，特点与展望［J］. 中医杂志， 2024 ， 65 （ 15 ）： 1531 - 1538 .

桑滨生 . 《中医药发展战略规划纲要（2016—2030年）》解读［J］. 世界科学技术-中医药现代化， 2016 ， 18 （ 7 ）： 1088 - 1092 .

陈勇，陈增潭，谢敏，等 . 关幼波治疗肝炎电子计算机第二诊疗程序临床应用总结［J］. 辽宁中医杂志， 1985 ， 16 （ 2 ）： 18 - 19 .

王姝予 . 基于机器视觉的舌脉客观化技术构建抑郁症辨证模型［D］. 成都：成都中医药大学， 2024 .

陈健，杨凤，任巧生，等 . 基于知识元理论与知识图谱的中风病古籍医案研究路径探赜［J］. 中国中医基础医学杂志， 2024 ， 30 （ 5 ）： 792 - 798 .

ZHENG Z ， LIU Y ， ZHANG Y ， et al . TCMKG： A deep learning based traditional Chinese medicine knowledge graph platform ［C］ //IEEE Computer Society. proceedings of the 2020 IEEE International Conference on Knowledge Graph （ICKG） . Nanjing ： IEEE Computer Society ， 2020 ： 560 - 564 .

谭浩，王军永，张嘉颖，等 . 国家中医药综合改革示范区“十四五”中医药发展规划政策文本分析［J］. 中国医疗管理科学， 2024 ， 14 （ 1 ）： 13 - 19 .

孙光荣 . 论中医临床的思维模式——中医辨治六步程式解析［J］. 中医药通报， 2017 ， 16 （ 4 ）： 1 - 5 .

崔骥，许家佗 . 人工智能信息技术在中医四诊现代化研究中的应用现状与展望［J］. 上海中医药杂志， 2025 ， 59 （ 1 ）： 7 - 12 .

LI G ， RAO C ， MO J ， et al . Rethinking diffusion model for multi-contrast MRI super-resolution ［C］ //IEEE Computer Society. 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . Seattle ： IEEE Computer Society ， 2024 ： 11365 - 11374 .

ZHAN C ， LIN Y ， WANG G ， et al . MedM2G： unifying medical multi-modal generation via cross-guided diffusion with visual invariant ［C］//IEEE Computer Society. 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . Seattle ： IEEE Computer Society ， 2024 ： 11502 - 11512 .

ZHAO Z ， YEOH P S Q ， ZUO X ， et al . Vision transformer-equipped Convolutional Neural Networks for automated Alzheimer's disease diagnosis using 3D MRI scans ［J］. Front Neurol ， 2024 ， 15 ： 1490829 .

KAZEROUNI A ， AGHDAM E K ， HEIDARI M ， et al . Diffusion models in medical imaging： A comprehensive survey ［J］. Med Image Anal ， 2023 ， 88 ： 102846 .

ALSAAD R ， ABD-ALRAZAQ A ， BOUGHHORBEL S ， et al . Multimodal large language models in health care： Applications， challenges， and future outlook ［J］. J Med Internet Res ， 2024 ， 26 ： e59505 .

宋超，王斌，许家佗 . 基于深度迁移学习的舌象特征分类方法研究［J］. 计算机工程与科学， 2021 ， 43 （ 8 ）： 1488 - 1496 .

曾令旨 . 非小细胞肺癌患者舌象图像诊断特征与风险模型研究［D］. 上海：上海中医药大学， 2019 .

石玉琳，刘嘉懿，胡晓娟，等 . 基于舌脉象数据的决策树算法的非小细胞肺癌证候分类方法［J］. 世界科学技术-中医药现代化， 2022 ， 24 （ 7 ）： 2766 - 2775 .

毛红朝 . 面向中医面诊的诊断信息提取——关键算法研究与实现［D］. 厦门：厦门大学， 2007 .

宫爱民，周红果 . 一种人体面部红外线中医诊断系统： CN201420076216.1 ［P］. 2014-07-09 .

张傑屹 . 中医五形人体质辨识与面部形态特征客观化研究［D］. 长沙：湖南中医药大学， 2023 .

章文春，马学军，高也陶 . 五脏相音六腑应律——再探《黄帝内经》失传2000多年的理论和技术［J］. 医学与哲学， 2023 ， 44 （ 21 ）： 73 - 76 .

陈春凤 . 342例肺系不同病证患者的语音特征分析［D］. 上海：上海中医药大学， 2011 .

江益靓，张旭龙，邓晋，等 . 数据增强基础上使用卷积神经网络进行闻诊［J］. 复旦学报：自然科学版， 2019 ， 58 （ 3 ）： 328 - 334 .

钱玉欣，刘珊娜，卢紫蓉，等 . 中医声诊技术研究进展和应用现状［J］. 中国中医基础医学杂志， 2024 ， 30 （ 11 ）： 1982 - 1985 .

宋雪阳 . 不同证候肺结节患者的中医声诊特征初步观察［D］. 上海：上海中医药大学， 2019 .

张晶新，李腾腾，李艺博，等 . 基于中医声诊数字化指标的肺结节辨识研究［J］. 中华中医药杂志， 2024 ， 39 （ 11 ）： 6144 - 6147 .

宋雪阳，许朝霞，王寺晶，等 . 中医闻诊客观化临床应用研究概述［J］. 中国中医药信息杂志， 2019 ， 26 （ 3 ）： 141 - 144 .

王海楠，周华英 . 基于仿生嗅觉的中医四诊：嗅诊数字化方法研究［J］. 亚太传统医药， 2023 ， 19 （ 1 ）： 130 - 134 .

林雪娟，周福，吴青海，等 . 基于电子鼻的2型糖尿病常见病位的气味图谱辨识研究［J］. 中华中医药杂志， 2022 ， 37 （ 7 ）： 3785 - 3789 .

周福，连梨梨，张劲松，等 . 基于电子鼻的社区获得性肺炎常见病位间的气味图谱特征识别［J］. 中华中医药杂志， 2019 ， 34 （ 12 ）： 5954 - 5956 .

谭施言，曾琼，向红霞，等 . 电子鼻联合机器学习对肺结节良恶性及中医证素呼气图谱辨识的单中心观察性研究［J］. 中国胸心血管外科临床杂志， 2025 ， 32 （ 2 ）： 185 - 193 .

谭施言 . 基于E-nose呼气图谱的结直肠癌中医证素辨识及模型研究［D］. 成都：成都中医药大学， 2024 .

ELMEKKI H ， IALAM S ， ALAGHA A ， et al . Comprehensive review of reinforcement learning for medical ultrasound imaging ［J］. Artif Intell Rev ， 2025 ， 58 （ 9 ）： 284 .

吴敏，林雪娟，连梨梨，等 . 基于电子鼻的热证患者口腔呼气的气味图谱特征分析［J］. 中华中医药杂志， 2020 ， 35 （ 1 ）： 133 - 136 .

侯春蕾，许颖，崔延婕，等 . 2型糖尿病中医问诊量表的研制及临床应用概述［J］. 世界科学技术-中医药现代化， 2021 ， 23 （ 2 ）： 396 - 401 .

张群华 . 拥抱互联网医疗和人工智能融合的高光时刻［J］. 中国普外基础与临床杂志， 2020 ， 27 （ 9 ）： 1049 - 1051 .

刘银芝，苗华栋，黄夏彬，等 . 基于人工智能的患者智能问诊服务应用平台［J］. 软件， 2021 ， 42 （ 1 ）： 113 - 116 .

哈凯婷，胡晓娟，董致臻，等 . 脉音客观化研究进展［J］. 时珍国医国药， 2025 ， 36 （ 8 ）： 1523 - 1529 .

赵昕 . 脉象信息采集装置的设计与研究［D］. 广州：广东工业大学， 2022 .

罗静静，左晶晶，季仲致，等 . 面向脉诊客观化的脉搏传感器研究综述［J］. 仪器仪表学报， 2021 ， 41 （ 8 ）： 1 - 14 .

刘攀 . 基于HHT和多分类支持向量机的脉象信号分析与研究［D］. 上海：华东理工大学， 2015 .

颜建军，陈松晔，燕海霞，等 . 基于递归图和卷积神经网络的脉象分析识别［J］. 计算机工程与应用， 2020 ， 56 （ 7 ）： 170 - 175 .

赵文，张佳，徐佳君，等 . 四诊合参智能化发展现状及实现路径［J］. 中医杂志， 2020 ， 61 （ 1 ）： 58 - 62，67 .

YEH W C ， KUO C Y ， CHEN J M ， et al . Pioneering data processing for convolutional neural networks to enhance the diagnostic Aaccuracy of traditional Chinese medicine pulse diagnosis for diabetes ［J］. Bioengineering （Basel）， 2024 ， 11 （ 6 ）： 561 .

王忆勤 . 中医诊断技术发展及四诊信息融合研究［J］. 上海中医药大学学报， 2019 ， 33 （ 1 ）： 1 - 7 .

胡晓娟，崔骥，屠立平，等 . 中医脉象智能分析方法研究述评［J］. 中国中医药信息杂志， 2023 ， 30 （ 8 ）： 181 - 186 .

LIU Q ， ZHANG L ， REN G ， et al . Research on named entity recognition of Traditional Chinese Medicine chest discomfort cases incorporating domain vocabulary features ［J］. Comput Biol Med ， 2023 ， 166 ： 107466 .

杨凤，侯鉴宸，邢琛林，等 . 基于知识元标引与知识图谱的中医古籍知识表示，获取与发现研究［J］. 中国中医基础医学杂志， 2023 ， 29 （ 6 ）： 954 - 959 .

张冬，张俊华，孟昭鹏，等 . 基于高光谱图像技术的中医舌诊客观化研究展望［J］. 中国中医基础医学杂志， 2019 ， 25 （ 9 ）： 1324 - 1326 .

夏雨墨，高慧，王庆盛，等 . 颜色空间在中医望诊客观化研究中的应用进展［J］. 中国中医药信息杂志， 2021 ， 28 （ 4 ）： 135 - 139 .

张选，胡晓娟 . 基于GoogLeNet和ResNet的深度融合神经网络在脉搏波识别中的应用［J］. 计算机系统应用， 2019 ， 28 （ 10 ）： 15 - 26 .

JIN Y ， JI W ， SHI Y ， et al . Meta-path guided graph attention network for explainable herb recommendation ［J］. Health Inf Sci Syst ， 2023 ， 11 （ 1 ）： 5 .

CHENG N ， CHEN Y ， GAO W ， et al . An improved deep learning model： S-TextBLCNN for traditional Chinese medicine formula classification ［J］. Front Genet ， 2021 ， 12 ： 807825 .

SI J ， TIAN Z ， LI D ， et al . A multi-modal clustering method for traditonal Chinese medicine clinical data via media convergence ［J］. CAAI Trans Intell Technol ， 2023 ， 8 ： 390 - 400 .

ABUBAKER BAGABIR S ， IBRAHIM N K ， ABUBAKER BAGABIR H ， et al . Covid-19 and artificial intelligence： Genome sequencing， drug development and vaccine discovery ［J］. J Infect Public Health ， 2022 ， 15 （ 2 ）： 289 - 296 .

VATANSEVER S ， SCHLESSINGER A ， WACKER D ， et al . Artificial intelligence and machine learning-aided drug discovery in central nervous system diseases： State-of-the-arts and future directions ［J］. Med Res Rev ， 2021 ， 41 （ 3 ）： 1427 - 1473 .

CHEN W ， TONG J ， HE R ， et al . An easy method for identifying 315 categories of commonly-used Chinese herbal medicines based on automated image recognition using AutoML platforms ［J］. Inform Med Unlock ， 2021 ， 25 ： 100607 .

HU H ， CHENG C ， YE Q ， et al . Enhancing traditional Chinese medicine diagnostics： Integrating ontological knowledge for multi-label symptom entity classification ［J］. Math Biosci Eng ， 2024 ， 21 （ 1 ）： 369 - 391 .

RONG C ， LI X ， SUN X ， et al . Chinese medicine prescription recommendation using generative adversarial network ［J］. IEEE Access ， 2022 ， 10 ： 12219 - 12228 .

王芝 . 基于GCN的中医治疗肺癌方剂推荐方法研究［D］. 北京：北京协和医学院， 2024 .

杨美清 . 基于数据挖掘总结田建辉治疗妇科癌的用药规律［D］. 上海：上海中医药大学， 2019 .

杨美清，刘海涛，杨蕴，等 . 基于数据挖掘的田建辉治疗妇科癌用药规律研究［J］. 上海中医药杂志， 2020 ， 54 （ 5 ）： 61 - 65 .

杨美清，罗斌，钱芳芳，等 . 基于数据挖掘探讨田建辉主任治疗宫颈癌的用药规律［J］. 福建中医药， 2020 ， 51 （ 2 ）： 70 - 73 .

杨蕴，阮春阳，裴朝翰，等 . 引入人工智能构建肺癌中医处方系统探索［J］. 世界科学技术-中医药现代化， 2019 ， 21 （ 5 ）： 977 - 982 .

JAYARAMAN P ， DESMAN J ， SABOUNCHI M ， et al . A primer on reinforcement learning in medicine for clinicians ［J］. NPJ Digit Med ， 2024 ， 7 （ 1 ）： 337 .

于泽丛 . 基于策略梯度的中药处方生成方法研究［D］. 北京：北京交通大学， 2022 .

俞飞蝶 . 基于图嵌入和强化学习的诊疗方案推荐方法研究［D］. 北京：北京交通大学， 2021 .

GU S ， SHI L ， DING Y ， et al . Enhancing efficiency of safe reinforcement learning via sample manipulation ［J/OL］. arXiv ， 2024 ［ 2025-01-08 ］. https：//arxiv.org/abs/2405.20860 https://arxiv.org/abs/2405.20860 .

陈诗琪 . 基于多标签学习的中医辨证分析研究［D］. 南京：南京邮电大学， 2023 .

李志成，朱彦陈，杜建强，等 . 基于迁移学习的中药饮片图像分类［J］. 计算机仿真， 2024 ， 41 （ 8 ）： 221 - 227 .

YIN Z ， WU Y ， ZHANG Y . HGCL： Heterogeneous graph contrastive learning for traditional Chinese medicine prescription generation ［C］ // proceedings of Health Information Science： 11th International Conference ， HIS 2022 ， Virtual Event. Berlin： Springer-Verlag ， 2022： 88 - 99 .

ZHANG H ， ZHANG J ， NI W ， et al . Transformer- and generative adversarial network-based inpatient traditional Chinese medicine prescription recommendation： development study ［J］. JMIR Med Inform ， 2022 ， 10 （ 5 ）： e35239 .

SHI D ， LIN F ， LI Y ， et al . Rule-based representation learning for traditional Chinese medicine knowledge graph ［C］//IEEE. proceedings of the 2023 IEEE/ACIS 21st International Conference on Software Engineering Research， Management and Applications （SERA） . Honolulu ： IEEE ， 2023 ： 423 - 427 .

XING C ， HUO Y ， HUANG X ， et al . Research on image recognition technology of traditional Chinese medicine based on deep transfer learning ［C］//AIEA. proceedings of the 2020 International Conference on Artificial Intelligence and Electromechanical Automation （AIEA） . Tianjin ： AIEA ， 2020 ： 140 - 146 .

WU Y ， YIN Z ， ZHOU K ， et al . A hybrid-scales graph contrastive learning framework for discovering regularities in traditional Chinese medicine formula ［C］// proceedings of the 2021 IEEE International Conference on Bioinformatics and Biomedicine （BIBM） . Houston ： IEEE ， 2021 ： 1104 - 1111 .

ZHANG Z ， WANG Y ， LIU S ， et al . A novel TCM prescription recommendation algorithm based on deep crossing neural network ［C］// proceedings of InInternational Conference on Cognitive Systems and Signal Processing （ICCSIP） . Singapore ： ICCSIP ， 2023 ： 309 - 321 .

FENG M . Advancements， challenges and future prospects of reinforcement learning in healthcare ［C］//ECAI. proceedings of the 1st International Conference on E-commerce and Artificial Intelligence （ECAI） . Hangzhou ： ECAI ， 2024 ： 39 - 44 .

PREUETT L D . Learning personalized health recommendations via offline reinforcement learning ［C］//ACM. proceedings of the 18th ACM Conference on Recommender Systems . Bari ： ACM ， 2024 ： 1355 - 1357 .

KHEZELI K ， SIEGEL S ， SHICKEL B ， et al . Reinforcement learning for clinical applications ［J］. Clin J Am Soc Nephrol ， 2023 ， 18 （ 4 ）： 521 - 523 .

SONNENBERG F A ， BECK J R . Markov models in medical decision making： a practical guide ［J］. Med Decis Making ， 1993 ， 13 （ 4 ）： 322 - 338 .

罗锦兴 . 用于脉诊的阵列感测器及脉诊仪： CN201510323116.3 ［P］. 2017-01-04 .

高也陶，潘慧巍 . 二十五音分析仪： CN200410016857.9 ［P］. 2006-02-08 .

江智泉，周作建，鲍剑洋，等 . 人工智能背景下的中医舌诊客观化研究概述［J］. 计算机时代， 2022 （ 1 ）： 1 - 4 .

李楠，于佳瑞，闫鹏宣，等 . 中医智能诊疗系统的研究与展望［J］. 中华中医药杂志， 2021 ， 36 （ 11 ）： 6343 - 6346 .

张继伟，李秋艳，王妙然，等 . 基于VOSviewer和CiteSpace的舌诊客观化知识图谱可视化分析［J］. 世界中西医结合杂志， 2022 ， 17 （ 9 ）： 1697 - 1703 .

江启煜，孙晓生，谢波，等 . 中医智能推理辨证模型探索［J］. 世界科学技术-中医药现代化， 2024 ， 26 （ 6 ）： 1644 - 1653 .

曹倩倩，何庆勇，王永霞，等 . 基于因子和聚类分析的冠心病合并血脂异常中医证候分类及诊断［J］. 世界科学技术-中医药现代化， 2021 ， 23 （ 9 ）： 3081 - 3085 .

李壮，侯堃 . 316例男性急性痛风性关节炎中医证候分类研究［J］. 中医杂志， 2019 ， 60 （ 1 ）： 47 - 50 .

刘海亮，严诏贤，洪靖，等 . 基于因子分析与聚类分析的乙肝后肝硬化代偿期中医证候研究［J］. 北京中医药， 2025 ， 44 （ 4 ）： 461 - 465 .

张迪，陈艺幻，张伟娜 . 常用关联与聚类分析方法对中医处方数据的适用性探讨［J］. 中草药， 2025 ， 56 （ 11 ）： 3974 - 3984 .

王益德，田宗祥，李争，等 . 基于微观辨证理论的结核相关阻塞性肺疾病临床特征及中医证型判别分析［J］. 世界科学技术-中医药现代化， 2023 ， 25 （ 1 ）： 372 - 379 .

余思邈，王睿林，李佳辉，等 . 基于因子分析与聚类分析的原发性肝细胞癌不同分期中医证候及证素演变规律研究［J］. 中华中医药杂志， 2025 ， 40 （ 2 ）： 867 - 871 .

胡宗杰 . 基于极值随机森林的慢性胃炎中医问诊证候分类研究［D］. 上海：华东理工大学， 2017 .

陈菊萍 . 支持向量机在中医证候分类中的应用研究［D］. 兰州：兰州大学， 2017 .

李人亮，张平，胡子毅，等 . 基于CART决策树与BP神经网络算法探析蒋小敏教授治疗骨痹的辨证规律［J］. 世界科学技术-中医药现代化， 2023 ， 25 （ 1 ）： 401 - 412 .

邓文祥 . 证素辨证学心系辨证知识图谱的建立及其应用［D］. 长沙：湖南中医药大学， 2020 .

赵志玥 . 冠心病合并糖尿病各阶段中医四诊信息与理化指标客观化的规律研究［D］. 沈阳：辽宁中医药大学， 2019 .

练志润，张家蔚，杨保林 . 基于规则生成医案及Transformer算法构建中医方药推荐模型［J］. 中国中医基础医学杂志， 2024 ， 30 （ 3 ）： 437 - 442 .

姚敬心，邓文祥，李静，等 . 中医辅助诊疗系统在医疗活动中的应用现状及发展分析［J］. 中国中医药现代远程教育， 2019 ， 17 （ 15 ）： 55 - 57 .

NGUYEN T D ， NGUYEN T ， NGUYEN P L ， et al . Backdoor attacks and defenses in federated learning： Survey， challenges and future research directions ［J］. Eng App Artif Intel ， 2024 ， 127 ： 107166 .

肖雄，唐卓，肖斌，等 . 联邦学习的隐私保护与安全防御研究综述［J］. 计算机学报， 2023 ， 46 （ 5 ）： 1019 - 1044 .

孙宇衡，王雨轩，魏东升，等 . 基于数字孪生技术的中医智能辅助诊疗系统构建研究［J］. 中华中医药学刊， 2024 ， 42 （ 9 ）： 18 - 22 .

FAHRNER L J ， CHEN E ， TOPOL E ， et al . The generative era of medical AI ［J］. Cell ， 2025 ， 188 （ 14 ）： 3648 - 3660 .

Views

下载量

CSCD

CNKI被引量

Alert me when the article has been cited

提交

Tools

Publicity Resources

Exploration on application of ChatGPT in scientific research work of traditional Chinese medicine

A method for generating dietary recommendations following "food and medicine homology" principle of traditional Chinese medicine using retrieval‑augmented large language models

Research progress on traditional Chinese medicine for immunomodulation in treatment of Hashimoto thyroiditis

Constructing an artificial intelligence technology system for real⁃world traditional Chinese medicine clinical study： key values， research issues， and development directions

Research progress on acupuncture clinical diagnosis and treatment technologies based on artificial intelligence

Related Author

ZHAO Tao

WEI Changfa

LIU Huina

HOU Menghan

LIAN Tuo

GONG Fan

LIU Bo

SHA Hangyu

Related Institution

Hunan University of Chinese Medicine

Hunan Provincial Smart Traditional Chinese Medicine Engineering Technology Research Center

Royal Melbourne Institute of Technology （RMIT University）

Department of Endocrinology， Shuguang Hospital Affiliated to Shanghai University of Traditional Chinese Medicine

Informatization Office， Shanghai University of Traditional Chinese Medicine

⁰