数千年来，中医 practitioners 一直将检查患者的舌头作为全面检查的一部分，仔细审视其颜色、形状和舌苔，以试图检测疾病。中医认为舌头的颜色尤其具有诊断意义——现在，一些研究人员受到近期研究的鼓舞，这些研究指出了舌色与健康因素之间存在可测量的关联，他们正致力于将这种古老的诊断方法与当今基于人工智能的技术相结合。
中医在全球科学界仍然是一个有争议的话题。世界卫生组织于2022年正式将中医诊断纳入《国际疾病分类》第11次修订版，这是全球健康信息分类的标准。但大多数高调的研究都谨慎对待这一话题。一篇关于中医前景的2015年综述文章的作者写道："尽管中医的使用不断扩大，其治疗效益在全球范围内得到认可，但从循证医学角度缺乏有力的证据，阻碍了西医界对中医的接受及其融入主流医疗保健。"不过，学术界对中医的浓厚兴趣仍在持续。
密苏里大学专注于计算生物学和生物信息学研究的徐东表示，在中医中，舌色"与血液和气（一个中文术语，常被译为'生命能量'）的状况密切相关，使其成为中医从业者评估患者整体健康的主要指标"。但舌诊可能具有高度主观性：它完全依赖于个体从业者的颜色感知和分析。
纽约州立大学水牛城分校的牙周病学家、微生物学家和口腔生物学家弗兰克·斯卡纳皮科表示，在西医中，没有标准化的临床系统被常规用于监测舌头特征，尽管舌头上的明确病变可作为某些癌症的指标——一些研究已将舌头外观与特定疾病（如乳腺癌和银屑病）联系起来。哈佛牙医学院的牙科健康专家伊丽莎白·阿尔珀特补充说，舌诊通常是牙医和卫生师进行口腔癌常规筛查的一部分，但其准确性取决于临床环境中提供者的教育和经验。
然而，计算技术的巨大发展正促使一些受中医启发的医学研究人员重新审视舌头。2024年发表在《技术》杂志上的一项研究的作者使用机器学习模型对舌色进行分类，并预测了几种相关疾病——包括糖尿病、哮喘、新冠和贫血——测试准确率达到96.6%。
南澳大学机器人学和传感器系统联合主席、该研究的合著者贾万·查尔表示，以往舌部成像研究中的一个主要挑战是由不同光照条件引起的感知偏差。查尔说："有些研究中，人们试图在没有受控照明环境的情况下通过舌色进行诊断，但颜色是非常主观的。"
为解决这一问题，查尔和他的团队在自助服务亭设置中开发了一个标准化的照明系统。患者将头部放入一个由LED灯照明的盒子中，这些LED灯发射出稳定且可控波长的光，然后露出舌头。
查尔和他的同事收集了5,260张图像——包括在互联网上找到的真实舌部照片和额外的色彩渐变图像。他们用这些图像训练机器学习模型，以识别七种特定颜色（红色、黄色、绿色、蓝色、灰色、白色和粉色）在不同饱和度水平和不同光照条件下的表现。
研究人员证实，健康舌头通常呈粉红色并带有薄薄的白色舌苔；他们发现，看起来更白的舌头可能表明血液中铁含量不足。糖尿病患者通常有蓝黄色的舌苔。带有厚厚脂肪层的紫色舌头可能表明某些癌症。他们还发现，新冠严重程度（在已确诊人群中）也会影响整体舌色，轻症病例中为淡粉色，中度感染中为深红色，严重病例中为深红色。
接下来，他们将六种测试的机器学习模型中最准确的一种应用于60张舌部图像，这些图像全部是在2022年和2023年在伊拉克两家医院使用团队的标准化自助服务亭设置拍摄的。然后，他们将实验诊断结果与患者的医疗记录进行比较。"该系统正确识别了60张图像中的58张，"现为伊拉克中部技术大学医学工程教授的研究合著者阿里·阿尔-纳吉说。
阿尔-纳吉目前正在致力于将诊断焦点缩小到舌头的中心和尖端。他的团队还在使用一个新的包含750张互联网图像的舌部数据集，利用深度学习算法YOLO检查舌形和口腔状况，如溃疡和裂纹。最终，查尔希望分析的不仅仅是舌头——可能是整个面部。
徐东警告说，舌色可能作为一个人健康状况的有用生物标志物，但在做出准确的临床决策时，它不能单独作为依据。"当前舌部成像系统最根本的局限性在于，舌部分析仅代表完整中医诊断的一个组成部分，"他说。他补充说，由于此类实验的图像标注尚未广泛标准化，因此更难重现研究结果。
查尔表示，他们的系统已引起商业兴趣，但收集可用数据仍然是扩大研究的最大限制："例如，在大型医院中使用自助服务亭收集数据，并获得访问患者医疗记录的同意，你需要让许多不同的人参与这一过程。"
斯卡纳皮科还强调了在临床或研究环境中标准化舌诊的挑战。他表示，广泛的基于人工智能的舌部分析需要大量投资和庞大的图像及病史数据库。"在那之前，我认为该领域将通过积累揭示舌头外观与特定疾病之间相关性的小型研究而发展，"斯卡纳皮科说。"当然，许多疾病在舌部外观上没有变化。"他补充说，此类工具将只是用于诊断的众多工具之一。
与此同时，面向消费者的在线舌部分析人工智能工具正悄然流行起来。今年早些时候，徐东、密苏里大学的博士生谢佳成及其同事推出了一款基于GPT的人工智能应用程序"本草"。用户可以上传舌部图像，并根据中医概念获得个性化的健康指导。
谢佳成表示，目前该应用程序被设计和营销为"健康"工具，而不是临床诊断系统，因为提供医疗诊断需要更加谨慎。"我们只提供一些食物和生活方式建议。"为了将其提升到下一个水平，他的团队旨在与临床医生合作，比较机器学习模型和人类医生的诊断输出，以确定差异和性能差距。
【全文结束】
