修回日期: 2026-03-20
接受日期: 2026-03-23
在线出版日期: 2026-03-28
消化系统肿瘤是全球范围内发病率和死亡率均居高不下的恶性疾病, 其早期精准诊断是提升患者生存率的核心关键. 中医四诊(望、闻、问、切)在肿瘤防治中具备独特的整体辨证优势, 但传统四诊高度依赖医生主观临床经验, 缺乏标准化的量化评估体系. 人工智能(artificial intelligence, AI)涵盖计算机视觉、语音信号处理、自然语言处理及多模态融合算法等技术方向, 为中医四诊信息的客观化采集、定量化分析与智能化解读提供了核心技术支撑. 本文从AI与中医四诊融合的技术进展、在消化系统肿瘤中的具体应用场景、现阶段发展面临的现存挑战及未来发展方向展开系统述评, 着重强调二者深度融合对消化系统肿瘤精准医疗发展的重要实践意义.
核心提要: 人工智能(artificial intelligence, AI)与中医四诊的深度融合, 为破解消化系统肿瘤早期诊断难题提供了新路径. 本文聚焦AI赋能中医四诊的技术革新, 系统阐述了多模态融合在舌、脉、问诊智能化分析中的研究进展, 剖析了其在肿瘤早期筛查、证型分类及风险分层中的临床价值与现存瓶颈, 并展望了中西医结合精准诊疗的未来方向.
引文著录: 李辰辰, 周舟, 季漪, 李福凤, 霍介格. 人工智能背景下中医四诊技术在消化系统肿瘤的应用与展望. 世界华人消化杂志 2026; 34(3): 183-189
Revised: March 20, 2026
Accepted: March 23, 2026
Published online: March 28, 2026
Digestive system cancers remain a major health burden worldwide due to their high morbidity and mortality, and early accurate diagnosis is critical to improving patient survival. The four diagnostic techiques of traditional Chinese medicine (TCM)-inspection, auscultation and olfaction, inquiry, and palpation-offer unique holistic and syndrome differentiation advantages in tumor prevention and treatment. However, these methods rely heavily on practitioners' subjective clinical experience and lack a standardized quantitative evaluation system. Artificial intelligence (AI), encompassing technologies such as computer vision, speech signal processing, natural language processing, and multimodal fusion algorithms, provides a core technological foundation for the objective acquisition, quantitative analysis, and intelligent interpretation of TCM diagnostic information. This review systematically discusses the technological advancements in integrating AI with TCM diagnostic methods, their specific applications in digestive system tumors, current challenges, and future directions, emphasizing the significant practical implications of their deep integration for advancing precision medicine in digestive oncology.
- Citation: Li CC, Zhou Z, Ji Y, Li FF, Huo JG. The four traditional Chinese medicine diagnostic techniques in gastrointestinal neoplasms: Application and prospect in the context of artificial intelligence. Shijie Huaren Xiaohua Zazhi 2026; 34(3): 183-189
- URL: https://www.wjgnet.com/1009-3079/full/v34/i3/183.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v34.i3.183
消化系统肿瘤, 包括大肠腺瘤性息肉、胃息肉等癌前病变, 以及肝癌、胃癌、结直肠癌、食道癌、胰腺癌等恶性肿瘤, 是严重威胁人类健康的重大疾病[1]. 根据国家癌症中心发布的数据, 2022年我国恶性肿瘤的死亡人数中, 消化系统恶性肿瘤占比超过40%, 肝癌、胃癌、结直肠癌、食道癌、胰腺癌死亡人数分列恶性肿瘤死亡人数的第2至6位[2]. 早期消化系统肿瘤通过内镜下治疗等手段, 5年生存率可超过90%, 而进展期肿瘤则预后极差[3,4]. 然而, 早期消化系统肿瘤症状隐匿, 腹胀、隐痛等非特异性表现易被忽视, 且现有筛查手段(如内镜)存在侵入性强、患者依从性差等局限[5], 血清学标志物对早期病变的敏感性与特异性尚待提升[6], 致使早期诊断率长期偏低. 因此, 开发无创、智能、便捷、经济且可大规模推广的早期筛查与风险分层工具, 具有重大的公共卫生意义和临床需求.
中医药具有丰富的诊疗经验, 其独特的整体观念和辨证论治思想在肿瘤防治中发挥着重要作用. 中医四诊是中医辨证论治的基础, 通过望、闻、问、切全面获取疾病信息, 在疾病的早期筛查方面可发挥巨大潜力. 消化系统的功能紊乱常通过舌象、面象、脉象及气味等外在表现反映, 如脾虚湿困证可见舌苔厚腻、脉濡, 气滞血瘀证可见舌质紫暗、脉弦涩[7]. 然而, 传统四诊依赖医者个人经验, 缺乏统一的量化指标与标准化的操作规范.
近年来, 随着人工智能(artificial intelligence, AI)等现代信息技术的飞速发展, 传统中医四诊的客观化、标准化与智能化迎来了新机遇[8-10]. 将AI技术与中医四诊深度融合, 不仅有助于解决传统诊法主观性强、难以量化的问题, 也为消化系统肿瘤的早期筛查、辅助诊断、疗效评估与预后预测提供了全新的可能路径. 本文聚焦消化系统肿瘤, 系统梳理AI在中医四诊技术中的最新进展、临床应用与未来方向, 以期为中西医结合精准诊疗提供参考.
望闻问切四诊合参是中医独具特色的诊察疾病、辨识证候的方法. 《丹溪心法》云: "欲知其内者, 当以观乎外, 诊于外者, 斯以知其内. 盖有诸内者, 形诸外"[11]. 中医学认为, 人体内部的病理变化会反映到外在形体上, 传统四诊在消化系统肿瘤的发生发展和诊疗中发挥着不可替代的作用. 消化系统肿瘤包括胃癌、结直肠癌、肝癌、食管癌、胰腺癌等, 其发生发展往往经历"炎-癌转化"的漫长过程, 为中医"治未病"理念的介入提供了重要时间窗. 舌象是消化系统肿瘤中医辨证的关键指标, 厚苔、腻苔和剥苔在健康人群、结直肠腺瘤患者和结直肠癌患者三组间存在显著差异(P<0.05)[12]. 舌质紫暗或青紫提示血瘀证, 在消化系统肿瘤中尤为常见, Ⅲ-Ⅳ期结直肠癌患者紫色舌比例高达67.2%, 说明血瘀程度与肿瘤分期呈正相关[13]. 面部气色和特征反映脏腑功能和气血盛衰, 其变化与肿瘤的发生、发展及病机演变密切相关. 研究发现气虚是复发转移性胃癌患者最常见的证候要素之一, 复发转移性胃癌患者临床表现为面色萎黄、乏力、气短、语音低微等气虚表现, 气虚质与中性粒细胞-淋巴细胞比值呈正相关, 提示可能具有相应的免疫炎症指标基础[14]. 问诊通过询问患者生活习惯与症状表现, 可获取疾病关键信息, 饮食偏好和排便习惯的异常在消化系统肿瘤的辨证分型与病情判断中具有重要意义. 在消化系统肿瘤中多见脾胃虚寒型患者, 患者表现为畏寒喜暖、饮热水则舒, 常伴随脘腹冷痛、大便溏薄等症状[15]. 弦脉和滑脉在消化系统肿瘤的辨证中具有明确的临床意义, 如肝癌患者初期病情轻, 以湿热、气滞等实证表现为主, 脉象表现为弦脉、滑脉[16].
传统四诊技术作为中医学辨证论治的有效手段, 拓展其应用, 不使其陷入以症状为唯一辨证重点的困境, 是中医诊断体系目前亟需解决的问题. 需要指出的是, 传统中医四诊在消化系统肿瘤诊断中存在一定局限: 一是诊断结果受医者经验影响较大, 缺乏客观量化标准; 二是早期肿瘤患者症状不典型, 信息获取不足; 三是四诊信息各自独立, 缺乏系统的整合分析方法. 这些局限为AI技术的介入提供了契机.
望诊AI技术在中医消化道肿瘤的辨证施治中具有重要的临床意义, 是当前研究最为活跃的领域, 尤其体现在面色诊与舌诊已取得突破性进展. 舌象分析是AI技术在望诊中应用最为深入的领域. 通过深度学习模型提取舌色(RGB值)、舌苔厚度和润燥程度等特征, 建立了胃癌诊断模型, 模型在独立外部验证集中展现出0.83-0.88的曲线下面积(area under the curve, AUC), 诊断性能显著优于八种血清肿瘤标志物联合检测[17]. 对比GBDT、LightGBM、XGBoost等7种机器学习算法, GBDT模型表现最佳(测试集AUC = 0.980, F1 = 0.932), 分析发现胃癌患者的青紫舌(42%)、裂纹舌(87%)、点刺舌(67%)和灰黑苔(29%)的发生率显著高于非胃癌组, FP-Growth关联规则挖掘进一步发现, 裂纹舌联合灰黑苔和薄苔的组合可以高置信度(88.89%)预测胃癌出血, SHAP分析证实了舌象特征(裂纹舌、胖大舌、齿痕舌、点刺舌)和肿瘤标志物均具有重要的预测价值[18]. 胃癌患者中胖大舌(86%)和齿痕舌(82%)的发生率显著升高, 提示舌形特征是胃癌前病变进展为胃癌的关键风险因素之一[19]. 面部望诊中的面口三角区色素沉着是预测结直肠息肉高风险人群的直观有效因素[20]. AI技术在消化系统肿瘤的证型识别也发挥了重要作用. 基于国医大师周仲瑛辨治结肠癌的医案, 运用BiLSTM-CRF模型构建了热毒内蕴、气阴两伤、肝脾两伤、腑气不调、癌毒走注等8个主要证型的知识图谱, 可视化展示了病机-症状-舌象-中药的关联[21].
传统脉诊依赖主观经验, 缺乏客观标准. 近年来, 柔性传感器与深度学习技术为脉诊客观化提供了新路径[22], 基于压力传感器阵列与深度学习的脉象识别研究进展, 是中医四诊现代化的重要方向. 肝癌声波脉象与炎症指标血小板/淋巴细胞比值(platelet-lymphocyte ratio, PLR)、中医证候积分呈显著正相关, 与肝功能(谷丙转氨酶、谷草转氨酶、谷草转氨酶/谷丙转氨酶)及肿瘤指标[癌胚抗原(carcinoembryonic antigen, CEA)、甲胎蛋白、糖类抗原125、糖类抗原199(carbohydrate antigen 199, CA199)]无显著相关性, 声波脉象的香农熵与能量由高到低为湿热瘀毒证、气滞血瘀证、肝郁脾虚证; 直肠癌声波脉象与炎症指标PLR、肿瘤指标CEA以及中医证候积分呈显著正相关, 声波脉象的香农熵及能量由高到低为瘀毒内阻证、湿热蕴结证、气血虚弱证[23]. 食管癌患者的脉图中发现主波幅度(h1)、重搏前波幅度(h3)、收缩期面积(Ass)、重搏前波幅度/主波幅度(h3/h1)及各项脉动周期数值t1、t4、t5、w1、w2在放疗后均呈现下降趋势, 提示食管癌患者经放疗后正气虚弱、无力鼓动血行, 导致心室射血功能下降、心输出量亦减少, 而脉动周期数值的降低则可能与动脉血管外周阻力降低、血管弹性有所好转有关[24].
闻诊是中医四诊的重要组成部分, 通过分析患者的声音与气味特征, 评估疾病的寒热虚实及脏腑功能变化. 运用气相色谱和声表面波传感器, 检测患者的呼出气, 辅助中医脾胃证候辨识[25]. 近年来, AI技术的发展为数字化闻诊研究开拓了更深层次的空间, 在消化系统肿瘤的呼气检测中展现出良好应用前景. 通过电子鼻分析结直肠癌患者呼出气中挥发性有机化合物的特征性改变, 可有效区分患者与健康人群, AUC值达0.93[26]. 基于气相色谱-质谱联用技术的呼气分析可识别出12种有助于区分结直肠癌患者与健康对照的挥发性有机化合物[27]. 这些技术为闻诊的客观化提供了新的技术路径.
问诊信息的智能化采集与分析主要依托自然语言处理技术, 从非结构化电子病历和患者自述文本中提取关键临床信息. BERT及其变体模型通过双向编码和自注意力机制, 能够有效理解文本的上下文语义, 在医学文本的命名实体识别任务中表现出色. 基于BERT架构开发的TCMPCSD-BERT模型, 利用6830份胰腺癌临床病历进行训练, 通过文本清洗(去除既往史描述和已缓解症状)、特征提取(将临床描述映射到标准化证素)、标注(基于中医辨证标准)、训练(微调BERT输出层)等系列处理流程, 实现了从非结构化电子病历文本中自动识别湿热证、脾虚证、湿热兼脾虚证等中医证型, 宏观精度达0.927[28], 实现了对胰腺癌证候要素的自动化识别. 机器学习发现过烫饮食习惯是胃癌前病变进展为胃癌的关键风险因素之一[19].
随着现代信息技术的发展, 多模态数据融合技术为中医辨证诊断提供了新的方法和思路, 利用多模态数据融合技术在医学诊断建模中, 整合舌象、脉象、语音、文本等异构数据, 对融合不同模态信息进行综合分析, 提升模型诊断性能与鲁棒性, 为医生的临床诊断和治疗的判断提供更充分的依据[29]. 多模态数据融合是中医四诊智能化的核心, 根据融合层次, 主要分为特征级融合与决策级融合[30]. 特征级融合对各模态原始信息进行特征提取后进行综合分析与处理, 融合结果能最大限度地为决策提供特征信息, 局限性在于融合效果高度依赖于特征提取的质量; 决策级融合在各模态先独立完成本地处理后, 通过关联处理进行决策层融合, 最终获得联合推断结果, 其局限性在于仅依赖最终决策结果, 可能丢失原始数据中的有用信息, 且对单个模型的准确性依赖较强.
癌前病变的早期识别是消化道肿瘤二级预防的关键环节. 通过采集健康人群与早期患者的四诊数据, 运用机器学习算法建立"证型-肿瘤风险"预测模型, 可实现癌前病变的风险分层和精准预警. NLP技术和大语言模型能够以高精度从内镜报告、病理报告和临床记录中提取疾病特征, 并持续改进临床决策支持能力[31]. 大语言模型通过注意力机制和知识图谱嵌入, 能够自动学习症状间的共现模式和语义关联, 实现对典型证候的智能归纳, 在症状群关联识别中展现出强大能力. Chen等[32]提出的ShizhenGPT是首个面向中医的多模态大语言模型, 整合了超过100GB的文本数据、200GB以上的多模态数据(包括120万张图像、200 h音频和生理信号), 在多个任务中表现优异, 展现出对望、闻、问、切多模态信息的统一感知能力. 该模型的成功表明, 大语言模型不仅能够处理问诊文本, 还可整合望诊图像、闻诊语音、切诊信号等多模态信息, 向四诊合参的智能化迈出关键一步.
慢性萎缩性胃炎伴异型增生是胃癌前病变的核心阶段, 在社区大规模筛查场景中, 便携式舌象仪和脉诊手环的组合应用具有成本效益高、无创便捷的优势. 基于舌象和问诊信息的多模态AI模型, 在高风险胃癌前病变筛查中AUC达0.82(95%CI: 0.82-0.83), 较单一使用舌象或问诊信息提升52%, 在独立外部验证中AUC为0.76, 可为不同风险人群提供个性化的内镜检查建议, 有效提升筛查效率和降低患者负担[17]. 此外, 肿瘤标志物阴性但中医四诊提示高危的人群, 是临床随访中需要重点关注的对象. 研究表明, 对于CEA/CA199阴性但舌象异常(如青紫舌、裂纹舌、腻苔)的高危人群, 应加强随访监测, 必要时缩短内镜检查间隔[18]. 通过四诊信息的动态变化结合现代医学检查指标, 可构建精准的术后复发预测模型. 一项大规模多中心的前瞻性队列研究正在开展, 该研究采用风险分层的标准化结肠镜随访策略, 拟从全国12家三级医院招募15000例结直肠腺瘤患者, 系统采集中医证候、体质类型、舌脉特征等四诊信息的动态变化, 结合内镜表现和生物样本, 运用多变量逻辑回归、Cox模型和混合效应模型进行数据分析, 旨在识别腺瘤复发和恶变的风险因素, 构建基于整合医学的腺瘤复发与恶变风险预测模型[33].
基于深度学习构建消化肿瘤常见证型的AI判别模型, 可有效实现证型的标准化识别. 在胃肠恶性肿瘤患者相似性检索任务中, 鲁棒中医药图网络(Robust Traditional Chinese Medicine Graph Networks, RTGN)模型采用孪生网络架构结合自注意力机制为证型精细化识别提供了技术支持[34]. 消化道恶性肿瘤伴抑郁焦虑患者的中医面色(额头、左脸颊、唇色、左眼眶、右眼眶、整体面色)、舌象(全舌图、舌中、舌根、苔色)、脉象(h1、h3)等客观化参数均与正常有显著差异, 分析显示消化道恶性肿瘤伴抑郁焦虑病机为本虚(气血两虚、心气不足)、标实(湿热内阻、气滞血瘀)[35]. 胃癌患者以虚证为主, 术后及化疗后脾虚证、血虚证显著增加; 结直肠癌辅助化疗期间证型呈动态演变, 从化疗前阴虚内热证为主, 到化疗中期肝热脾虚证、气血两虚证多见, 化疗后则以虚证为要. 通过AI追踪化疗期间从湿热证向气阴两虚证的演变路径, 可为方剂动态调整提供客观依据. 中药复方有效成分预测算法在当归四逆汤治疗胃癌中, 阿魏酸在所有测试的成分中具有最高的拟合分数, 药理作用与当归四逆汤相似[36]. 胃癌作为一种异质性疾病, 涉及多种生化通路, 组学技术的应用有助于更好地刻画胃癌亚型. 多组学技术与中医的融合, 可从基因组学、转录组学、蛋白质组学、代谢组学等多层面揭示中药复方的分子机制, 识别治疗靶点[37], 通过强化学习推荐个体化治疗方案, 是实现精准用药的关键路径. 通过机器学习算法建立转移性结直肠癌中医动态治疗方案使患者中位生存时间延长了9 mo[38]. 在康复预防层面, 基于舌苔厚腻程度(痰湿状态)推荐个性化食疗方案, 通过问诊语音分析识别焦虑状态并配合疏肝解郁干预, 可实现从疾病治疗向全程管理的延伸. 针对焦虑状态的疏肝解郁方案包括柴胡疏肝散、逍遥散等经典方剂, 以及情志疏导、音乐疗法等非药物干预.
高质量标注数据的稀缺是制约中医AI发展的核心瓶颈. 中医诊断数据因其来源广泛、格式多样, 缺乏统一的标准化体系. 多中心数据壁垒显著, 各医院四诊设备型号不一、图像采集标准不同、记录格式各异, 难以形成大规模共享数据集, 导致数据整合与分析面临巨大挑战. 中医证型标注需资深医师完成, 不同流派对同一证型的界定标准存在差异, 标注一致性难以保证. 研究显示, 中医临床记录细粒度实体标注需迭代更新指南直至Cohen's kappa值超过0.9, 方能保证标注质量[39]. 此外, 由于多中心数据壁垒: 各医院四诊设备型号不一、图像采集标准不同、记录格式各异, 难以形成大规模共享数据集, 限制了AI模型的训练和泛化能力.
小样本泛化能力弱是当前模型的突出局限. 罕见证型数据量严重不足, 传统深度学习模型易过拟合. 针对这一问题, 少样本学习方法已在罕见遗传病诊断中展现出潜力, 可为罕见证型识别提供借鉴[40]. 可解释性差进一步影响临床信任度. 深度学习模型的黑箱特性使其难以阐明"舌象特征→证型→肿瘤风险"的完整生物学机制. 一项针对医学影像可解释AI的研究分析显示, LIME、SHAP、Grad-CAM等主流解释方法在不同模态下fidelity存在显著差异(LIME 0.81 vs SHAP 0.38), 且稳定性不佳(SHAP在眼科应用中噪声干扰下性能下降53%). 可解释模型虽然导致5%-7%的AUC性能损失, 但为建立可信AI提供了必要路径[41].
医生接受度是中医AI技术临床转化落地的关键阻力. 部分中医师对AI"替代辨证"存疑, 更倾向将其作为临床辨证的"辅助参考". 全科医生对AI临床决策支持系统的信任研究表明, 当前AI可视化对非技术背景的临床医生价值有限, 医生更看重模型训练信息的透明度以及AI决策与临床指南的一致性. 但法规与伦理问题尚未明确, AI诊断结果的法律责任归属不清, 患者隐私保护缺乏统一标准. AI在医疗中的应用已使传统医患二元互动结构转变为"医生-AI-患者"三元互动结构, 带来了信任危机、纠纷加剧等新挑战, 亟需建立相应的监管框架[42].
(1)消化系统专用AI模型的构建是技术发展的首要方向. 针对胃肠肝胆病理生理特点, 开发基于真实世界数据的专用AI模型, 如RTGN已展现其在胃肠恶性肿瘤患者相似性学习中的优越性能; (2)微观与宏观结合是中医四诊AI的重要发展趋势. 舌苔微生物组与中医证型的关联研究证实, 不同证型(如湿热证与气虚证)具有独特的舌象特征和口腔微生物标志物, 两者融合诊断AUC达0.939[43]. 脉诊血流动力学研究则通过可穿戴多通道主动加压传感平台, 实现了寸关尺脉象的连续无线动态监测[44]; (3)小样本学习与联邦学习的融合应用, 可有效破解数据瓶颈. 基于元学习的鲁棒联邦学习框架已在多中心医学影像诊断中验证其解决数据孤岛和小样本问题的有效性, 可推广应用于中医四诊数据的多中心联合训练, 在保护患者隐私的前提下实现数据共享[45]; 和(4)可解释AI的研发是提升临床信任度的核心. 可解释AI需结合注意力机制(如Grad-CAM可视化舌象关键区域)和因果推断, 深入揭示证型与肿瘤风险的内在关联路径, 让AI模型的诊断决策"有迹可循", 提升临床医生对中医AI的接受度和信任度.
(1)行业标准建设是中医AI临床转化的基石, 需联合中医药行业协会、医疗机构、AI企业等多方主体, 建立消化肿瘤中医四诊AI数据采集与标注的统一行业规范, 实现四诊数据的标准化、规范化采集和标注; (2)轻量化工具开发是推动中医AI基层应用的关键. 基于舌象和内镜数据的多模态模型已实现胃癌前病变的无创筛查, 验证了手机端舌象采集结合AI实时分析的可行性[17]; 未来需进一步开发便携式、低成本的四诊数据采集设备和轻量化AI分析模型, 推动中医AI技术在基层医疗机构的普及应用; (3)多模态融合与客观检查手段整合. 将中医四诊AI与现有客观筛查手段(如内镜、粪便免疫化学检测、血清标志物等)进行多模态融合, 构建"主观-客观"互补的早期诊断模型, 有望进一步提升早期诊断的准确性与风险分层能力; (4)深化产学研合作, 构建医疗机构-AI公司-中医药大学的协同创新模式. 建立"AI+名老中医"的经验传承模式, 通过数字孪生技术复现名老中医的辨证思维和诊疗经验, 实现中医药经典经验与现代AI技术的深度融合; 和(5)强化政策支持, 将AI四诊辅助诊断纳入消化肿瘤早筛早治的公共卫生项目, 推动AI辅助的消化肿瘤辨证论治全程管理平台的落地应用, 实现消化系统肿瘤"未病先防、既病防变、瘥后防复"的中医药防治目标.
AI技术与中医四诊的深度融合, 为破解消化系统肿瘤"早期发现难"的临床痛点提供了中西医结合的新途径, 其在消化肿瘤早期诊疗中的应用已从"概念验证"走向"临床落地". 舌象识别、舌苔微生物组分析、电子鼻呼气质谱检测以及电子病历自由文本挖掘等技术, 已经展现出在消化系统肿瘤早期诊断和辅助诊断方面的巨大临床潜力. 未来, 中医AI领域需重点突破数据、技术与临床转化三大瓶颈, 构建"中医理论-AI算法-临床实践"深度融合的生态体系, 推动AI技术在中医四诊中的标准化、规范化应用, 最终实现消化系统肿瘤"未病先防、既病防变"的精准医疗目标, 为提升消化系统肿瘤的防治水平、改善患者预后和生活质量提供新的解决方案.
| 1. | Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin. 2021;71:209-249. [PubMed] [DOI] |
| 2. | Han B, Zheng R, Zeng H, Wang S, Sun K, Chen R, Li L, Wei W, He J. Cancer incidence and mortality in China, 2022. J Natl Cancer Cent. 2024;4:47-53. [PubMed] [DOI] |
| 4. | 中华医学会肿瘤学分会早诊早治学组. 中国结直肠癌早诊早治专家共识(2023版). 中华普通外科学文献(电子版). 2024;18:1-13. [DOI] |
| 5. | Xin L, Gao Y, Cheng Z, Wang T, Lin H, Pang Y, Sun C, Fu Z, Li Z, Ma X, Wang L. Utilization and quality assessment of digestive endoscopy in China: results from 5-year consecutive nationwide surveys. Chin Med J (Engl). 2022;135:2003-2010. [PubMed] [DOI] |
| 6. | Darvishi A, Dadashzadeh Asl A, Golshaniniya P, Alipour A, Naseri A, Hamzehzadeh S, Salehi-Pourmehr H. Serum markers and gastric cancer: an umbrella review. BMC Gastroenterol. 2025;25:737. [PubMed] [DOI] |
| 7. | 李 灿东, 方 朝义. 中医诊断学, 第1版. 北京: 中国中医药出版社 2021; 1-117. |
| 12. | Liu F, Su D, Shi X, Xu SM, Dong YK, Li Z, Cao B, Ren DL. Cross-population tongue image features and tongue coating microbiome changes in the evolution of colorectal cancer. Front Microbiol. 2025;16:1442732. [PubMed] [DOI] |
| 13. | 吴 密侠. 不同舌象在大肠癌患者中的分布及其意义. 中国中西医结合外科杂志. 2016;22:528-531. [DOI] |
| 14. | Cao L, Wang X, Ma X, Zhu G, Li J. Exploration of Constitutional Bias and Associated Factors in Patients with Recurrent and Metastatic Gastric Cancer, and the Therapeutic Effect of Yiqi Wenyang Jiedu Prescription: A one-arm study. Integr Cancer Ther. 2025;24:15347354251331100. [PubMed] [DOI] |
| 16. | 金 桂娴. 基于数据挖掘技术对原发性肝癌中晚期舌脉特点的分析. 济南: 山东中医药大学, 2016. |
| 17. | Yuan L, Yang L, Zhang S, Xu Z, Qin J, Shi Y, Yu P, Wang Y, Bao Z, Xia Y, Sun J, He W, Chen T, Chen X, Hu C, Zhang Y, Dong C, Zhao P, Wang Y, Jiang N, Lv B, Xue Y, Jiao B, Gao H, Chai K, Li J, Wang H, Wang X, Guan X, Liu X, Zhao G, Zheng Z, Yan J, Yu H, Chen L, Ye Z, You H, Bao Y, Cheng X, Zhao P, Wang L, Zeng W, Tian Y, Chen M, You Y, Yuan G, Ruan H, Gao X, Xu J, Xu H, Du L, Zhang S, Fu H, Cheng X. Development of a tongue image-based machine learning tool for the diagnosis of gastric cancer: a prospective multicentre clinical cohort study. EClinicalMedicine. 2023;57:101834. [PubMed] [DOI] |
| 18. | Tian P, Chen Z, Fang B, Wang X, Yu X, Lu M. Investigating the relationship between tongue diagnosis features and gastric cancer: A machine learning-based prediction model. Eur J Surg Oncol. 2025;51:110352. [PubMed] [DOI] |
| 19. | Yu S, Jiang H, Xia J, Gu J, Chen M, Wang Y, Zhao X, Liao Z, Zeng P, Xie T, Sui X. Construction of machine learning-based models for screening the high-risk patients with gastric precancerous lesions. Chin Med. 2025;20:7. [PubMed] [DOI] |
| 24. | 周 之毅, 张 淑娟, 阿提坎· 卡吾力, 热孜亚· 库来西, 许 玲, 李 和根, 田 建辉, 刘 慧, 尤 圣富. 食管癌放疗患者舌脉象及证型的客观化研究. 辽宁中医杂志. 2015;42:1844-1847. [DOI] |
| 25. | 陈 星, 陈 璟, 陈 超, 董 浩, 傅 炜, 李 莹, 陈 泽涛, 卢 妍利, 刘 军, 刘 清君. 基于气相色谱-声表面波传感器联用技术的中医脾胃证候辨识. 世界中医药. 2020;15:1540-1545. [DOI] |
| 26. | Wang Q, Tan S, Zheng R, Li Z, Chen Y, Huang X, Fang Y. Detection Performance of Colorectal Cancer Through Exhaled Breath by Electronic Nose: A Case-Control Study. Clin Transl Gastroenterol. 2025;16:e00916. [PubMed] [DOI] |
| 27. | Dugheri S, Rapi I, Cappelli G, Fanfani N, Squillaci D, De Sio S, Mallardi B, Mantellini P, Staderini F, Traversini V, Baldassarre A, Cianchi F, Mucci N. Breath fingerprint of colorectal cancer patients by gas chromatography-mass spectrometry analysis preparatory to e-nose analyses. Pract Lab Med. 2025;45:e00475. [PubMed] [DOI] |
| 28. | Ba H, Du H, Cheng C, Zhang Y, Ruan L, Chen Z. Identification of Syndrome Types in Patients With Pancreatic Cancer From Free Text in Electronic Medical Records: Model Development and Validation. JMIR Form Res. 2025;9:e70602. [PubMed] [DOI] |
| 29. | Baltrusaitis T, Ahuja C, Morency LP. Multimodal Machine Learning: A Survey and Taxonomy. IEEE Trans Pattern Anal Mach Intell. 2019;41:423-443. [PubMed] [DOI] |
| 31. | Omar M, Nassar S, SharIf K, Glicksberg BS, Nadkarni GN, Klang E. Emerging applications of NLP and large language models in gastroenterology and hepatology: a systematic review. Front Med (Lausanne). 2024;11:1512824. [PubMed] [DOI] |
| 32. | Chen J, Cai Z, Liu Z, Yang Y, Wang R, Xiao Q, Feng X, Su Z, Guo J, Wan X, Yu G, Li H, Wang B. ShizhenGPT: Towards Multimodal LLMs for Traditional Chinese Medicine. arXiv. 2025;arXiv:2508.14706. [DOI] |
| 33. | Hui YF, Song SC, Zhu WJ, Bu S, Sun J, Ling TS, Cheng HB. Multicenter prospective cohort study on colorectal adenoma recurrence and malignant transformation risk based on integrative medicine: a study protocol. Front Oncol. 2025;15:1657390. [PubMed] [DOI] |
| 34. | Long J, Niu J, Wang H, Liu J, Li J, Zhang W. RTGN: Robust Traditional Chinese Medicine Graph Networks for Patient Similarity Learning. IEEE J Biomed Health Inform. 2025;29:2185-2198. [PubMed] [DOI] |
| 36. | Pan BY, Zhu H, Yang JQ, Wang LJ, Chen ZZ, Ma J, Zhang B, Pan ZY, Ying GG, Li S, Liu LR. From complexity to clarity: development of CHM-FIEFP for predicting effective components in Chinese herbal formulas by using big data. Cancer Biol Med. 2024;21:1067-1077. [DOI] |
| 37. | Wen X, Wang Y, Su C, You Y, Jiang Z, Zhu D, Fan Q. Integrating multi-omics technologies with traditional Chinese medicine to enhance cancer research and treatment. QJM. 2025;118:805-815. [PubMed] [DOI] |
| 38. | Xu YY, Li QY, Yi DH, Chen Y, Zhai JW, Zhang T, Sun LY, Yang YF. Dynamic Treatment Strategy of Chinese Medicine for Metastatic Colorectal Cancer Based on Machine Learning Algorithm. Chin J Integr Med. 2024;30:993-1000. [PubMed] [DOI] |
| 39. | Zhang T, Wang Y, Wang X, Yang Y, Ye Y. Constructing fine-grained entity recognition corpora based on clinical records of traditional Chinese medicine. BMC Med Inform Decis Mak. 2020;20:64. [PubMed] [DOI] |
| 40. | Alsentzer E, Li MM, Kobren SN, Noori A; Undiagnosed Diseases Network, Kohane IS, Zitnik M. Few shot learning for phenotype-driven diagnosis of patients with rare genetic diseases. NPJ Digit Med. 2025;8:380. [PubMed] [DOI] |
| 41. | Singh Y, Hathaway QA, Keishing V, Salehi S, Wei Y, Horvat N, Vera-Garcia DV, Choudhary A, Mula Kh A, Quaia E, Andersen JB. Beyond Post hoc Explanations: A Comprehensive Framework for Accountable AI in Medical Imaging Through Transparency, Interpretability, and Explainability. Bioengineering (Basel). 2025;12:879. [PubMed] [DOI] |
| 42. | Chen Q. Artificial intelligence in healthcare: rethinking doctor-patient relationship in megacities. Front Health Serv. 2025;5:1694139. [PubMed] [DOI] |
| 43. | Deng J, Dai S, Liu S, Tu L, Cui J, Hu X, Qiu X, Lu H, Jiang T, Xu J. Clinical study of intelligent tongue diagnosis and oral microbiome for classifying TCM syndromes in MASLD. Chin Med. 2025;20:78. [PubMed] [DOI] |
| 44. | Zhao Y, Sun Q, Mei S, Gao L, Zhang X, Yang Z, Nan X, Zhang H, Xue C, Li J. Wearable multichannel-active pressurized pulse sensing platform. Microsyst Nanoeng. 2024;10:77. [PubMed] [DOI] |
| 45. | Chen Y, Liu L, Feng B, Chen Y, Xu J, Lin H, Li K, Chen X, Ke Y, Zhou H, Hu Q, Jin Q, Long W, Li Q, Chen X. A meta-learning-based robust federated learning for diagnosing lung adenocarcinoma and tuberculosis granulomas. Front Oncol. 2025;15:1666937. [PubMed] [DOI] |
学科分类: 胃肠病学和肝病学
手稿来源地: 江苏省
同行评议报告学术质量分类
A级 (优秀): 0
B级 (非常好): B
C级 (良好): C
D级 (一般): 0
E级 (差): 0
科学编辑: 刘继红 制作编辑:张砚梁