冠心病診斷中中醫四診客觀化研究的運用

冠心病具有發病率高、致殘率高、復發率高、病死率高及并發癥多等特征。現代醫學對冠心病的檢查手段有冠狀動脈CT、冠狀動脈造影、心血管超聲等，其中冠狀動脈造影是診斷冠心病的"金指標',但因其檢查有創、費用高，限制了臨床應用;冠狀動脈CT檢查是一種斷層檢查后重構的血管檢查方法，雖屬于無創傷檢查手段，但行CT冠狀動脈檢查時受檢者心率的影響較大。基礎討論和臨床大樣本循證醫學討論均表明，中醫藥對防治冠心病有著巨大的應用潛力。

查找切實可行的無創檢查方法對合理利用醫療資源、削減患者負擔特別重要。中醫診斷客觀化檢測有無創、便捷的優勢，目前中醫四診客觀化已取得了較好的進展，上海中醫藥高校研制的中醫四診檢測系統已基本實現了中醫面診、舌診、聲診、問診、脈診的采集以及分析，可望為冠心病預警、健康評估、臨床療效、中藥新藥評審的臨床試驗供應評價指標。

1、冠心病舌診討論

舌診是富有中醫特色的診法之一。舌為心之苗竅，脾之外候。《辨舌指南》曰："辨舌質可辨五臟之虛實，察舌苔可觀六淫之深淺。'因而舌診對冠心病證候虛實寒熱的辨證，以及療效評價、預后推斷都有重要意義。隨著計算機及其圖像處理分析技術討論的深化，舌診客觀化討論有了長足的進步。如李敬華[1]運用"適于療效評測的舌象儀'對200例冠心病患者舌圖像進行分析，計算了舌體參數如舌風光積、薄苔與厚苔面積及舌質、舌苔各自的顏色平均值(R、G、B)等，發覺舌質顏色、舌苔顏色、舌苔厚度、瘀斑瘀點在冠心病各證型分布上有顯著差異。

本課題組提取了100例冠心病患者中醫治療前后的舌圖像參數[2],發覺冠心病不同中醫證型患者在治療前后舌圖像參數有顯著變化。如心氣虛組治療前舌體多胖厚有齒痕，治療后舌苔厚薄指數、齒痕指數下降;心陰虛組治療前患者舌質光裂，多屬少津之證，而治療后整體舌色指數中的R值下降，舌色由深紅到淡紅，裂紋指數下降;痰濁組患者治療前以膩苔為多見，治療后舌苔腐膩指數下降。從肯定程度上說明舌診參數的轉變能為中醫診療評價供應客觀依據。

2、冠心病面診討論

中醫學認為，面部皮膚薄嫩、體內氣血盛衰變化最易通過面色變化顯露出來。《靈樞邪氣臟腑病形》曰："十二經脈，三百六十五絡，其血氣皆上于面而走空竅。'面部色澤變化能反映人體臟腑的氣血盛衰。心主血脈，其華在面，因此，面診在心病診治中有非常重要的意義，對心主血脈功能強弱有所提示。胡志希等[3]檢測冠心病心血瘀阻證患者與健康人面部5個區域的血流容積參數狀況，發覺冠心病心血瘀阻證患者上述指標有特別變化。

袁肇凱等[4]對心氣虛、心血虛、心脈瘀阻證患者進行面部血管容積觀測，也發覺面部血管容積變化與不同證型的病理生理有肯定相關性。本課題組應用自行研制的中醫面診數字化檢測儀采集并分析了冠心病、慢性支氣管哮喘、慢性腎功能衰竭、慢性乙型肝炎患者面色特征信息，發覺不同疾病面色參數變化有肯定的規律[5].對359例冠心病患者面色進行分析發覺，氣陰兩虛組、血瘀兼虛組、陰陽兩虛組以面色青黑和黃赤色較為多見;痰瘀互結組、陰虛組、氣虛組以面色青黑較為多見;不同證型之間面色參數R、G、B有顯著性差異，提示面色參數可作為冠心病臨床辨證的客觀依據之一[6].

3、冠心病聲診討論

中醫聲診是聞診的主要組成部分，是指醫生通過聽患者聲音的強弱、清濁等變化來辨析患者病之新久、寒熱虛實的不同性質。《難經》認為，"聞而知之者，聞其五音以別其病',此即五聲應五臟理論。與其他診法相比，聲診的客觀化討論成果尚未彰顯。林源等[7]運用電腦音頻分析儀分析了哮喘患者治療前后發音轉變的規律，高也陶[8]利用二十五音分析儀實時測定發音的頻率，依據"五臟相音'理論，討論了健康人的二十五音規律。

本課題組運用小波包分解，結合非線性分析方法分析了寒、熱、虛、實證型受測者的聲診信息;基于"五臟相音'理論，分析五臟疾病患者的聲診信息等。如我們運用自行研發的"中醫聞診采集系統'采集虛實證型聲樣308例，其中氣虛150例、陰虛52例、實證55例、正常對比組51例，并運用小波包變換和非線性時間序列方法提取上述聲樣不同頻段的近似熵，對正常與非健康、實證與虛證、氣虛與陰虛聲樣進行了分類識別，結果發覺，正常與非健康、實證與虛證、氣虛與陰虛的聲樣近似熵值在不同頻段具有顯著差異，基于支持向量機對上述證型進行分類識別，其識別率分別達到88.9%、90.4%、87.8%[9].又如，我們采集五臟病變患者聲樣803例，其中肺系139例、肝系48例、脾系86例、腎系66例、心系464例，另設正常組100例。以五臟相音理論為指導，運用樣本熵方法對上述聲樣進行分析，提取與中醫五臟分類相關的特征參數。結果發覺，在嵌入維數為2時，上述6類聲樣在不同頻段的樣本熵均有顯著性差異，且五臟病變患者聲樣不同頻段的總樣本熵值呈現如下規律：肺系組最高，其次為脾系組、心系組、肝系組、腎系組和正常組[10].中醫學認為，"肺主聲',若肺系生理病理發生轉變，其反應于聲音的信息則最為明顯，聲音信號的簡單度更高，體現在樣本熵值上趨于更高。我們采集100例冠心病患者治療前后的聲診信息，結果發覺冠心病心氣虛證、心陰虛證和痰濁證治療前后聲診參數的變化有顯著差異[2].從肯定程度上說明聲診參數的轉變能為中醫診療評價供應客觀依據。

4、冠心病脈診討論

脈診是醫生用手指切按患者的脈搏，感知脈動應指的形象，以了解病情、推斷病癥的診察方法。脈象的形成與心臟的搏動、脈道的通利和氣血的盈虧直接相關。近20年來中醫脈診客觀化討論取得很大的進展，陳素云等[11]基于時域特征探討了120例冠心病患者橈動脈脈圖時域特征及與血液流變學的關系;楊天權等[12]用頻率分析方法計算了冠心病動脈硬化患者脈圖諧波的幅值和相角，發覺脈圖諧波重量對于診斷動脈硬化有肯定的臨床意義;孫智山等[13]基于時域方法探討了冠心病患者冠狀動脈狹窄程度與脈象弦度有肯定的相關性。

本課題組運用不同的方法對冠心病脈象進行了討論。基于時域方法分析了冠心病脈圖時域參數與冠脈狹窄程度及超聲心動圖指標的相關性[14],討論表明，冠狀動脈及心臟形態的病理轉變可能是冠心病脈圖形態變化的病理基礎之一。基于時頻結合方法如HHT方法分析比較了冠心病與正常人的脈圖特征的差異、同一患者支架植入手術前后脈圖特征的差異，討論表明，HHT方法對于區分冠心病患者與正常人的脈象以及冠心病患者支架植入術前后的脈象變化有顯著意義[15].基于非線性動力學方法分析了冠心病脈象特征，如基于遞歸定量分析、樣本熵討論了冠心病患者與正常人群脈圖的差異，通過繪制上述參數的ROC曲線評估了這些參數區分冠心病組和正常組脈圖的診斷價值[16-17].

在樣本熵的基礎上，我們運用多尺熵分析比較了冠心病患者與高血壓病患者、正常組脈象的差異[18].為了闡明脈象的遞歸定量參數能提高冠心病證型的識別率，我們基于問診信息和脈象參數建立了冠心病證型識別模型并進行了分類猜測，討論表明，基于問診信息融合脈象遞歸定理參數建立的證型模型，其識別性能高于融合脈象時域參數建立的模型;融合脈象參數(時域參數或遞歸定理參數)建立的證型模型，其識別性能均高于僅基于問診信息建立的模型[19],該討論同時驗證了脈診在辨證中的重要作用，為建立"四診合參'模型奠定了基礎。基于時頻方法結合非線性動力學方法，我們提取了HHT方法分解后冠心病脈象模型函數(IMF)的能量值、IMF樣本熵值，發覺冠心病各模態的'能量、樣本熵值顯著小于正常組;基于這兩類特征，運用隨機森林分類器對兩組進行區分，識別率可達90.21%[20].

5、冠心病問診討論

問診被視為"診病之要領，臨證之首務',在四診中占有重要地位。傳統問診來源于醫生的耳聞、患者的口述，其主觀性強、模糊性大，可重復性差，給臨床科研帶來困難。據文獻[21]報道，用以表達四診信息的癥狀表詞有817個，由發生部位和性質聯合組成的復合癥狀有2317個，假如再考慮癥狀的發生緣由、誘發、加重等因素，形成的復合癥狀達4500個之多。因此，學者們開展了中醫問診規范化、客觀化討論。如王哲等[22]對中醫癥狀的量化表達方面進行了嘗試，采納臨床流行病學調查、條目分析及閱歷性篩選等方法，編制了簡明抑郁癥中醫證候自評量表。

本課題組以中醫心系問診量表的研制為切入點，進行了問診規范化的討論。我們運用問卷法，通過文獻梳理、專家爭論，初步確定了心系問診的條目池，在此基礎上，借助多元統計學方法進行癥狀的篩選，并對量表進行信度、效度等檢驗，從而研制了中醫心系問診采集量表[23].在量表制作完善的基礎上，結合現代計算機技術，研制了心系問診信息采集系統[24],實現了中醫心系問診信息的規范化和數字化。為了探討心血管疾病的中醫問診分類特征，為中醫證候診斷標準的建立供應客觀依據，我們嘗試運用數據挖掘、模式識別等方法建立中醫問診模型。我們運用中醫心系問診量表和采集系統采集了3021例心系疾病患者的信息，其中冠心病有1521例[21],建立了中醫心系問診的隱結構模型[25],該模型無論定性層面或定量層面都與心系辨證理論基本吻合。基于問診信息應用支持向量機(徑向基函數與多項式函數2種算法)和人工神經網絡(ACON與OCON2種結構的網絡)建立3000例心血管疾病常見證型心氣虛、心陽虛、心陰虛、痰濁、氣滯以及血瘀證的證候模型，討論發覺，基于OCON結構的神經網絡建立的證候模型，其識別精確?????率最高，均在60%以上，其中心氣虛和心陽虛證分別高達92.4%、82.9%[26].在前期討論的基礎上，我們對機器學習領域的多標記學習進行了討論，提出了基于標記相關特征的多標記學習算法(revelantfeatureforeachlabel,REAL),建立中醫證候模型[27-28],基于REAL對695例冠心病常見證型心氣虛、心陽虛證、心陰虛證、痰濁證、血瘀證和心腎不交證進行分析，建立了冠心病中醫證候模型，對于上述證型的識別率分別為73.5%、89.5%、79.1%、63.8%、85.2%、81.8%.REAL模型能很好地處理兼證，充分關注了證型和癥狀的關系，適合于中醫辨證模型的建立。

6、冠心病四診信息融合的討論

中醫"望、聞、問、切'四診信息是辨證論治的基礎，通過四診合參，達到審查病因、闡述病機、確定治療原則以及推斷預后等目的。然而傳統中醫診法缺乏客觀評價標準，導致中醫辨證的精確性和可重復性較差，因此，實現中醫四診信息的客觀化、辨證規范化是中醫進展的迫切需要。早在20世紀70年月，已有學者在中醫領域引入計算機信息處理技術，開展了中醫專家系統的討論[29].

早期的中醫專家系統都是基于規章的推理[30],其缺點是自主"學習'力量和"適應'力量較差，學問自動更新困難。21世紀初，隨著計算機技術的進展，數據挖掘、人工智能等技術引入到中醫辨證推理的討論領域，如基于人工神經網絡技術、決策樹方法建立中醫辨證系統[31-32].由于受限于當時四診信息標準化采集手段及其信息化技術水平，參加辨證的客觀化指標量化不足如望診、聲診等信息尚未客觀量化，影響了最終的辨證結果。近幾年，中醫四診信息客觀采集和分析系統的討論日益完善，為開展問診、舌面、脈、聲診等四診客觀信息的融合討論奠定了基礎，四診信息融合討論成為中醫診斷客觀化討論的必定進展趨勢。

20年來本課題組合作開展了中醫脈診、問診、望診和聲診等檢測系統的討論，研制出中醫四個診法的采集與分析系統，其能夠供應的客觀化指標基本掩蓋了四診的信息，解決了參加辨證的客觀化指標量化不足的缺陷。在此基礎上，我們研發了集成的中醫四診檢測系統，并對"四診合參'信息融合討論做了很多創新性的嘗試。應用中醫四診檢測系統獵取患者的舌診、面診、脈診、問診、聲診等四診綜合信息，基于四診信息分別應用支持向量機和人工神經網絡建立了506例心系疾病常見心氣虛、心陽虛證、心陰虛證、痰濁證、血瘀證和氣滯證的證候模型并進行猜測，基于人工神經網建立證候模型中，氣滯證模型的識別最高(87.07%),基于支持向量機建立的證候模型中，心陽虛證模型的識別率最高(81.70%)[28,33].為了驗證"四診合參'的優勢，分別基于問診、基于問診+望診、基于問診+望診+脈診、基于問診+望診+脈診+聲診4個數據集建立辨證模型并對其進行比較。考慮臨床多兼證，采納REAL算法進行辨證模型的建模。基于REAL算法，建立了693例冠心病四診信息融合的辨證模型，該模型通過互信息最大化來選擇與證型最相關的特征子集，從而建立心氣虛證、心陽虛證、心陰虛證、痰濁證、血瘀證和心腎不交證的識別模型。當建模的數據集采納問診信息時，上述證型的平均識別率為84.9%,當建模的數據集采納問診+望診信息時，上述證型的平均識別率為85%,當建模的數據集采納問診+望診+脈診信息時，上述證型的平均識別率為85.1%,當建模的數據集采納問診+望診+脈診+聲診信息時，上述證型的平均識別率為85.8%.由此可見，當四診信息收集全面時，模型的識別率最高。

7、展望

隨著科學技術的進展，