Tóm tắt
Mục tiêu: Tổng hợp và đánh giá xu hướng ứng dụng trí tuệ nhân tạo (AI) trong khách quan hóa chẩn đoán Y học cổ truyền (YHCT) giai đoạn 2015–2025. Phương pháp: Nghiên cứu tổng quan phạm vi được thực hiện trên các cơ sở dữ liệu PubMed và CNKI. Các nghiên cứu thực chứng sử dụng mô hình AI trong chẩn đoán YHCT được lựa chọn theo tiêu chuẩn xác định trước và phân tích định tính kết hợp định lượng mô tả. Kết quả: Tổng cộng 25 nghiên cứu được phân tích. AI chủ yếu ứng dụng trong các lĩnh vực đơn phương diện, nổi bật là thiệt chẩn (16%). Học sâu, đặc biệt CNN và RNN, là phương pháp chủ đạo; trong khi mô hình đa phương thức (4%), AI giải thích được (12%) và mô hình ngôn ngữ lớn (8%) còn ở giai đoạn sớm. Tích hợp dữ liệu Đông – Tây y chiếm 20%, cho thấy tiềm năng liên kết chỉ số sinh học với hội chứng YHCT. Kết luận: AI có tiềm năng hỗ trợ định lượng hóa và chuẩn hóa chẩn đoán YHCT. Tuy nhiên, bằng chứng còn hạn chế do cỡ mẫu nhỏ, dữ liệu chưa chuẩn hóa và thiếu kiểm chứng lâm sàng. Cần nghiên cứu đa phương thức quy mô lớn để tăng khả năng ứng dụng thực tiễn.
Từ khóa
Trí tuệ nhân tạo; Y học cổ truyền; Khách quan hóa chẩn đoán; Biện chứng luận trị; Học sâu; Mô hình ngôn ngữ lớn.
Tài liệu tham khảo
TÀI LIỆU THAM KHẢO
- Jiang M, Lu C, Zhang C, Yang J, Tan Y, Lu A, Chan K. Syndrome differentiation in modern research of traditional Chinese medicine. Journal of Ethnopharmacology. 2012;140:634-642. doi: 10.1016/j.jep.2012.01.033.
- Pan D, Guo Y, Fan Y, Wan H. Development and Application of Traditional Chinese Medicine Using AI Machine Learning and Deep Learning Strategies. Am J Chin Med. 2024;52(3):605-623. doi: 10.1142/S0192415X24500265.
- Ren Y, Luo X, Wang Y, Li H, Zhang H, Li Z, et al. Large Language Models in Traditional Chinese Medicine: A Scoping Review. J Evid Based Med. 2025;18(1):e12658. doi: 10.1111/jebm.12658.
- 杜昉臻, 何圆姣, 冯西贝, 刘国华. 基于人工智能的中医证候分类算法研究. 南开大学学报(自然科学版). 2023;56(2):12-16.
- 王菲, 曲强, 刘明阳, 等. 基于改进YOLOv10的舌象检测辨识系统. 2024.
- Li MY, Zhu DJ, Xu W, Lin YJ, Yung KL, Ip AWH. Application of U-Net with Global Convolution Network Module in Computer-Aided Tongue Diagnosis. J Healthc Eng. 2021;2021:5853128. doi: 10.1155/2021/5853128.
- 罗冠聪, 冯跃, 徐红, 秦传波, 李福凤, 钱鹏, 等. 元学习优化的面部色诊分类方法. 计算机与现代化. 2025;(12):115-122.
- Xia S, Zhang J, Du G, Li S, Vong CT, Yang Z, et al. A Microcosmic Syndrome Differentiation Model for Metabolic Syndrome with Multilabel Learning. Evid Based Complement Alternat Med. 2020;2020:9081641. doi: 10.1155/2020/9081641.
- Jin X, Wang Y, Wang J, Gao Q, Huang Y, Shao L, et al. A Machine Learning Approach to Differentiate Cold and Hot Syndrome in Viral Pneumonia Integrating Traditional Chinese Medicine and Modern Medicine: Machine Learning Model Development and Validation. JMIR Med Inform. 2025;13:e64725. doi: 10.2196/64725.
