陳 玲 劉瓅瑩 許 婧

大數(shù)據(jù)浪潮中，機器學習正在興起，通過利用輸入數(shù)據(jù)，建立面向特定任務(wù)的學習模型，在生物信息學和計算生物學中得到了廣泛應(yīng)用。近年來，機器學習在中醫(yī)藥領(lǐng)域的應(yīng)用也日趨增多[1]，收集分析醫(yī)療相關(guān)數(shù)據(jù)集，推進醫(yī)學發(fā)展為結(jié)果導向型學科成為大勢所趨，對于臨床診療疾病有著深遠影響。針灸學作為中醫(yī)學的重要組成部分，深受廣大醫(yī)務(wù)工作者的青睞。在多學科交叉探索背景下，促進針灸學研究與現(xiàn)代科學技術(shù)結(jié)合，有利于其系統(tǒng)化發(fā)展?，F(xiàn)階段，針灸學與機器學習之間的跨學科研究合作得到了廣泛關(guān)注，但其成果冗雜，缺乏系統(tǒng)整理。筆者現(xiàn)以“機器學習”“針灸”“針刺”“電針”“研究”及“Machine Learning” “Acupuncture” “Electroacupuncture”為主要檢索詞，檢索中國知網(wǎng)及PubMed近10年所發(fā)表的機器學習與針灸研究相關(guān)文獻，試從針灸療效預(yù)測、穴位特異性研究、針刺手法量化以及針灸臨床教學應(yīng)用4個方面綜述其發(fā)展現(xiàn)狀，以期為機器學習在針灸領(lǐng)域研究工作的進一步開展提供參考。

1 針灸療效預(yù)測

針灸作為一門傳統(tǒng)中醫(yī)外治法，通過刺激體表腧穴，激發(fā)經(jīng)氣、調(diào)整陰陽，從而糾正機體失衡狀態(tài)，發(fā)揮其治療作用。患者的機體狀態(tài)影響著針灸方法的選擇，明辨機體狀態(tài)是恰當選穴施術(shù)的前提。然而，由于疾病臨床表現(xiàn)的復雜性、四診資料收集的主觀性以及醫(yī)生辨證的經(jīng)驗性，都可能造成醫(yī)生在把握患者機體狀態(tài)和選擇治療方法上存在偏差，影響針灸療效。因此，客觀、準確地辨別機體狀態(tài)，輔助醫(yī)生制定適宜的治療策略，對于發(fā)揮針灸臨床療效具有重要意義。一些研究指出，針灸可以通過調(diào)節(jié)與疼痛感知調(diào)制相關(guān)的大腦區(qū)域及網(wǎng)絡(luò)來緩解疼痛[2，3]，這提示其可能通過中樞整合，將外源性物理刺激轉(zhuǎn)化為治療效應(yīng)。一個相關(guān)問題是，大腦神經(jīng)影像表征是否以及在多大程度上可以提供對個體差異的洞察？并在臨床環(huán)境中成為可靠的預(yù)測因子，成為了當前針灸科研熱點。其中，利用機器學習算法，基于神經(jīng)影像數(shù)據(jù)構(gòu)建療效預(yù)測模型，引起了研究者極大的興趣。

Tu等[4]為了解治療前靜息態(tài)功能連接(Resting-state Functional Connectivity，rsFC)是否可以作為慢性下腰痛患者對真假針刺治療的預(yù)測指征，該團隊從4個靜息態(tài)網(wǎng)絡(luò)中選擇30個腦區(qū)作為種子構(gòu)建FC矩陣進行特征識別，基于支持向量回歸算法建立多元線性回歸預(yù)測模型，發(fā)現(xiàn)內(nèi)側(cè)前額葉與島葉、殼核、尾狀回和角回之間的功能連接顯著預(yù)測了真針刺治療反應(yīng)，而內(nèi)側(cè)前額葉與頂上小葉、背側(cè)前扣帶回之間的功能連接則預(yù)測了假針刺治療反應(yīng)。Liu等[5]利用擴散張量成像技術(shù)，結(jié)合基于腦電地形圖的分析算法和線性支持向量機算法，對偏頭痛患者內(nèi)側(cè)額葉-杏仁核白質(zhì)束微結(jié)構(gòu)參數(shù)進行量化分析并構(gòu)建預(yù)測模型，采用交叉驗證和特征選擇程序?qū)ζ^痛安慰劑應(yīng)答者和無應(yīng)答者進行分類，實驗成功地預(yù)測8周的安慰劑治療效果，識別準確率超過84%。Yang等[6]采用計算機解剖工具結(jié)合交叉驗證的方法，對41例偏頭痛患者基線腦灰質(zhì)磁共振成像數(shù)據(jù)進行信息壓縮與特征提取，利用線性支持向量機構(gòu)建以治療前腦灰質(zhì)體積為基礎(chǔ)的分類預(yù)測模型。結(jié)果表明，該模型在針灸應(yīng)答方面具有穩(wěn)定性，提示治療前腦灰質(zhì)體積可能是一種新的針刺療效生物標志物。

此外，Luo等[7]在一項研究中采用機器學習中的重復增量修剪算法，對收集的試驗數(shù)據(jù)進行分析，總結(jié)出6條影響循經(jīng)感傳效應(yīng)的規(guī)律，就規(guī)則而言，可以斷定體質(zhì)因素是影響其出現(xiàn)的首要因素，該模型分類準確率高達94.49%。針對臨床試驗期中分析策略在預(yù)測最終結(jié)果時產(chǎn)生的偏見風險[8，9]，Liang等[10]提出利用基于核決策樹的結(jié)果預(yù)測算法發(fā)掘不同證型間的潛在差異，繼而進行療效預(yù)測。該研究采用2006—2010年間進行的多中心隨機對照試驗臨床數(shù)據(jù)進行檢驗，成功地驗證了其用于療效預(yù)測的可行性。

2 穴位特異性研究

穴位特異性關(guān)乎針灸生理機制的合理解釋。中醫(yī)學認為，穴位特異性可作為針灸治療時一項潛在原則[11]?，F(xiàn)代研究借助血流動力學[12，13]與神經(jīng)影像[14，15]相關(guān)指征論證穴位特異性的存在，但在文獻回顧中發(fā)現(xiàn)，這些結(jié)果充滿著不穩(wěn)定性[11]。一些報道指出，穴位特異性研究存在的結(jié)果可能與針刺手法后效應(yīng)有關(guān)[16]，既往誘導神經(jīng)反應(yīng)的針刺研究常采用一般線性模型(General Linear Model，GLM)方法，根據(jù)大腦激活假定時間模式檢測針刺效應(yīng)[17-19]，這種方法對先驗時間信息有要求，而針灸的手法后效應(yīng)決定了很難獲取引起大腦變化的實際時間信息[20]，同時，GLM作為一種單變量分析法，在利用功能性磁共振成像(fMRI)數(shù)據(jù)的空間分布信息上存在局限性，因此檢測神經(jīng)活動對針刺刺激反應(yīng)可能不夠靈敏。

為探討丘墟穴(GB40)的神經(jīng)特異性，同時評價GLM在針刺誘導神經(jīng)反應(yīng)模式研究上的敏感性，Xue等[21]提出采用支持向量機多元(Support Vector Machine，SVM)分類方法，以太溪穴(KI3)為對照，利用SVM分析處理后的fMRI數(shù)據(jù)。結(jié)果發(fā)現(xiàn)，針刺GB40可顯著增強島葉、丘腦和紅核的神經(jīng)反應(yīng)，而針刺KI3后，額葉內(nèi)側(cè)回和皮質(zhì)下結(jié)構(gòu)的激活減少更多，表明針刺多個穴位可引起不同的神經(jīng)反應(yīng)模式，相比之下，GLM的分組分析顯示，針刺不同穴位都可以在多個腦區(qū)引起相似的廣泛性信號減少，且在空間區(qū)域上有重疊，提示GLM分析容易出錯，不適合于檢測針刺刺激引起的神經(jīng)反應(yīng)模式。Jung等[22]為研究對刺激位置分類有影響的腦區(qū)，通過針刺14名受試者左前臂內(nèi)關(guān)穴和神門穴，采集fMRI數(shù)據(jù)信息訓練SVM，并利用多體素模式分析方法進行統(tǒng)計評估，發(fā)現(xiàn)可以從針刺時的大腦活動空間模式解碼來自前臂兩個神經(jīng)支配的傷害性位置信息，提示針刺痛覺的空間信息存在于軀體感覺加工區(qū)和額頂腦區(qū)。

3 針刺手法量化探索

針刺手法是針灸治療的關(guān)鍵。研究表明，采用不同的手法，控制深度和頻率，可以改變神經(jīng)興奮性、局部氧分壓、化學濃度和溫度[23-25]，增強穴位的刺激效應(yīng)[26，27]。臨床上針對不同的疾病采取不同的針刺手法，但其中緣由尚未明晰。因此，開展針刺手法的客觀量化研究，探討手法特異性，對于揭示針刺作用機制具有重要價值，同時也能提高手針的推廣應(yīng)用。

近年來，針刺手法的量化研究主要體現(xiàn)在參數(shù)量化方法[28]與證明手法特異性[29]上。其中，基于評價量表[30]、評價要素[31]、肌肉神經(jīng)電信號[32]以及針刺手法參數(shù)分析儀[33]實現(xiàn)了對針刺手法的初步量化，而后，影像技術(shù)以直觀、便捷的優(yōu)勢逐漸推動針刺手法量化與特異性研究結(jié)合。胡銀娥等[34]利用紅外熱像技術(shù)觀察針刺合谷對健康人皮膚溫度的影響，發(fā)現(xiàn)提插補法能夠升高皮溫，且具有循經(jīng)性。王凡等[35]采用捻轉(zhuǎn)手法針刺腦出血家兔，磁共振灌注加權(quán)成像顯示血腫附近血流灌注得到改善，與留針組相比，差異具有統(tǒng)計學意義。李曉梅等[36]運用激光散斑血流監(jiān)測系統(tǒng)觀察不同補瀉手法對健康人足三里血流灌注的影響，發(fā)現(xiàn)提插補法與瀉法可以促進局部皮膚血流灌注，且補法的效果優(yōu)于瀉法。一項非線性研究報告了針刺對腦電序列的影響[37]，不同腦區(qū)之間的功能交互作用也受到針刺刺激量的干預(yù)[38]。有研究表明利用圖論的方法能夠?qū)崿F(xiàn)對腦功能網(wǎng)絡(luò)拓撲結(jié)構(gòu)的定量描述[39]。對此，Yu等[40]提出利用腦電信號分析實現(xiàn)針刺手法分類，該研究記錄使用提插、捻轉(zhuǎn)手法刺激健康人足三里時產(chǎn)生的腦電信號，用圖論方法提取功能性腦網(wǎng)絡(luò)特征，構(gòu)建二值分類器模型進行手法分類。結(jié)果表明，捻轉(zhuǎn)法的同步度明顯高于提插法，暗示2種針刺手法對大腦活動具有不同的調(diào)節(jié)作用，這為針刺手法的量化與特異性研究提供了新思路。

4 針灸臨床教學應(yīng)用

針灸實踐離不開規(guī)范化訓練，標準化針灸操作不僅能夠提高研究精度，更能促進發(fā)揮針灸療效。早期，經(jīng)絡(luò)圖和銅人模型的出現(xiàn)極大程度緩解了學習者在腧穴定位及經(jīng)絡(luò)循行理解上的壓力[41]，現(xiàn)代經(jīng)絡(luò)腧穴學習系統(tǒng)的研發(fā)[42，44]，幫助拓寬了針灸教學視野。但規(guī)范化針灸操作訓練，卻一直是亙古不變的難題。為了解決傳統(tǒng)針灸訓練方式對空間復雜性的需求，沉浸式針灸訓練系統(tǒng)應(yīng)運而生。

張毅[45]基于數(shù)據(jù)手套技術(shù)設(shè)計了針灸仿真系統(tǒng)，通過采集手指各關(guān)節(jié)在三維空間中的定位信息，實現(xiàn)與計算機虛擬銀針實時互動，進行穴位識記。該系統(tǒng)增強了針灸教學中的沉浸感和趣味性，但欠缺力度反饋。Heng等[46]開發(fā)出支持針灸力度反饋的人體模型供針灸訓練，通過 Phantom Desktop 力反饋儀提供實時力反饋信息，使虛擬設(shè)備有針刺真實穴位的感覺，但未能規(guī)范針灸訓練手勢。Zhang等[47]在一項機器學習訓練手勢識別模型的研究[48]啟發(fā)下，提出將虛擬現(xiàn)實技術(shù)與手勢識別設(shè)備相結(jié)合，利用機器學習的方法實現(xiàn)對針灸手勢的實時分類。該研究利用主成分分析法(PCA， Principal Components Analysis)對手勢識別設(shè)備Leap Motion采集的數(shù)據(jù)進行降維，構(gòu)建在線虛擬模型，分別使用SVM和反向傳遞神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)對模型進行訓練，結(jié)果表明，BPNN的準確率可以達到系統(tǒng)要求，并顯著提高了系統(tǒng)的手勢識別性能。

5 討論

當前，機器學習在針灸領(lǐng)域的研究運用，尚處于探索階段，還有諸多問題亟待解決。

首先，樣本量較小影響研究結(jié)果的可靠性。一方面，機器學習模型建立之初依賴訓練樣本集進行前驅(qū)識別工作，使得模型最終的穩(wěn)定性與泛化能力與樣本量息息相關(guān)；另一方面，缺乏新的獨立樣本使得結(jié)果的可重復性低，又成為困厄研究成果最終向臨床運用轉(zhuǎn)化的重要瓶頸。因此，需要增大樣本量提高研究結(jié)果的穩(wěn)健性與可靠性。

其次，研究方向選擇較為孤立片面?？v觀穴位特異性相關(guān)研究，不同團隊僅以各自感興趣的穴位進行研究，這種孤立片面的研究方式不利于腧穴研究系統(tǒng)性、連續(xù)性發(fā)展。中醫(yī)認為不同穴位之間選配也會產(chǎn)生不同的治療效果[49]，穴位配伍是否具有特定的神經(jīng)反應(yīng)機制？值得思考。今后可以開展團隊之間的交流合作，促進腧穴研究系統(tǒng)化、全面化發(fā)展。此外，基于神經(jīng)影像技術(shù)探索針灸療效預(yù)測表征時，該類研究多著眼于疼痛類疾病，但針灸優(yōu)勢病種并不局限于此，神經(jīng)功能障礙性疾病、精神情感類疾病、內(nèi)分泌紊亂類疾病以及一些內(nèi)臟疾病也應(yīng)納入研究范疇[50]。針灸作為一門獨具特色的中醫(yī)外治法，本質(zhì)上仍以辨證為綱，通過證候認識、治療疾病。而傳統(tǒng)辨證方式的主觀性，一定程度制約著針灸現(xiàn)代化研究進展。因此，不僅要實現(xiàn)診斷客觀化，還應(yīng)推進證候量化，同時可將得氣量表評分納入預(yù)測特征之一，構(gòu)建更能彰顯中醫(yī)特色的針灸療效預(yù)測模型。

第三，在探討針刺手法特異性時，這些研究沒有納入患病人群。穴位敏化研究認為，腧穴具有 “開/合”的功能，即在健康狀態(tài)下，穴位處于閉合的“沉寂態(tài)”，當機體為病理狀態(tài)時，穴位則轉(zhuǎn)變?yōu)殚_啟的“激活態(tài)”[51]。這意味著在病理狀態(tài)下進行針刺手法特異性研究，更有助于體現(xiàn)其治療效應(yīng)。今后可以開展基于患病人群的不同針刺手法對中樞整合機制的研究，推進手法量化與穴位敏化聯(lián)合研究進展。

第四，與傳統(tǒng)統(tǒng)計學基于因果假設(shè)檢驗，圍繞顯著性和樣本擬合優(yōu)度選擇模型的特征比較，機器學習較少關(guān)注模型的可解釋性，而是圍繞算法的交叉驗證和迭代改進關(guān)注模型的預(yù)測性能及泛化。這使得僅從數(shù)據(jù)驅(qū)動的角度下利用機器學習構(gòu)建相關(guān)模型可能并不具備實際意義。因此，需要前期排除冗余特征的干擾，基于目的驅(qū)動選擇相關(guān)特征構(gòu)建模型。

最后，受倫理因素與人文關(guān)懷的影響，一些人體試驗無法完全脫離藥物治療，造成針灸效應(yīng)與藥物效應(yīng)相混淆，針對試驗環(huán)境中輔助藥物的干預(yù)效應(yīng)，如何利用現(xiàn)代科學技術(shù)實現(xiàn)與針刺效應(yīng)的區(qū)分，這也是目前分析技術(shù)上的難題。因此，需要增進廣大針灸科研工作者與機器學習、數(shù)據(jù)挖掘、數(shù)據(jù)管理等其他學科人員的交流合作，充分發(fā)揮多學科的優(yōu)勢，齊心協(xié)力攻克這一難題。

6 展望

機器學習在針灸領(lǐng)域獲得的一些研究成果，初步證明了其應(yīng)用價值。作為一門靈活的科研輔助手段，既往研究所提供的機器學習應(yīng)用思路方法也并非一本萬利，應(yīng)該熟悉不同算法的優(yōu)缺點，選擇最合適的方法，才能從大數(shù)據(jù)中受益。未來醫(yī)學發(fā)展的重要趨勢是治療的個性化，因此，有必要利用機器學習，推進開展針灸優(yōu)勢病種人群篩查工作，建立基于個體差異的疾病、證型、穴位乃至刺灸法的個性化精準診療平臺，這對于提高醫(yī)生的臨床決策能力、促進發(fā)揮針灸療效以及緩解日益嚴峻的醫(yī)患矛盾，都具有重要意義。學科融合的背景下，針灸科研勢必朝著一個更加明晰的方向發(fā)展。