European journal of pharmacology|天津中医药大学|深度学习和机器智能：新的计算建模技术用于发现中药的组合规则和药效学特征

今天我们来分享天津中医药大学庄朋伟教授和张艳军教授在European journal of pharmacology上发表的将人工智能用于中药复方研究的论文。

摘要
越来越多的人认为，对于复杂的疾病，基于多成分的干预措施比单一靶标疗法更有优势。随着中医的不断发展和整体观的不断完善，其中的 "多靶点 "和 "多途径 "整合特点正在被接受。然而，其作用物质、药效靶点，特别是组合规则和机制仍不清楚，迫切需要更强大的策略来解释其协同作用。 人工智能（AI）和计算机视觉导致了许多领域的快速发展，包括中医的诊断和治疗。人工智能技术大大提高了诊断、靶标筛选和新药研究的可靠性和准确性。虽然所有的人工智能技术都能与生物大数据进行模型匹配，但具体方法却复杂多样。 通过 “人工智能”、“机器学习”、“深度学习”、“中药”、"中医 "等关键词检索文献。在PubMed、Web of Science、中国国家知识基础设施（CNKI）、Elsevier和Springer中检索2000年至2021年间的中医药计算机算法应用。这篇综述集中讨论了计算在中草药质量评价、药物靶点发现、协同优化和医疗诊断中的应用。 我们描述了不同人工智能技术适用的生物数据的特点，并讨论了一些最好的数据挖掘方法以及深度学习和机器学习方法应用于中医药所面临的问题。

引言
传统中医药已被广泛用于治疗和预防复杂的疾病和综合症。同时，确定中药所含的潜在有效成分以及其中大量化学成分之间的协同关系的研究也得到了越来越多的关注。近年来，关于鉴定临床中药中的活性化学成分的基础研究已取得了广泛进展。而后，人们将注意力集中在中药治疗疾病的协同关系上。 从这个意义上说，中药由于其基于 "多成分、多靶点和多途径 "的特征，具有多向药理作用的特点。虽然中药具有各种药理活性并且已经有了几千年的历史，但在疾病治疗机理上，传统医学与西医仍有明显差距。此外，明确中医药的协同机理和药效机制仍然是当前生物医学研究的主要问题和挑战。 中药化学成分的复杂性使其难以用传统的评价方法进行全面研究。更为严重的是，成分的复杂性又决定了治疗机制的复杂性，解决这个问题需要高质量的研究实验室提供大量资源。

在过去的几十年里，高通量表征技术的快速发展为生物信息学和生物医学研究提供了前所未有的数据资源。代谢组学、蛋白质组学、基因组学等等均聚焦于分析复杂的化学成分数据（代谢物、蛋白和基因等）来进行生物学解释。然而，如何从海量的数据中挖掘出更多有用的资源已经成为一个重要的问题。人工智能（AI）技术可能是解决这一难题的前景。 人工智能技术的最终目的是使机器能够像人一样思考，近几十年来它已被用于生物信息学和生物医学研究。Jae Yong Ryu等人提出了一个计算框架深层药物相互作用（DeepDDI），准确预测药物之间的相互作用，并试图解决药物不良事件。此外，使用计算方法有利于挖掘剖析数据的特征，提出不同疾病的新型治疗方案。从这个意义上说，基于计算机的虚拟筛选和计算机辅助药物设计对促进中医药的药物发现过程变得越来越重要。

在生物医学中利用计算方法有很大的潜力，药物开发可以更加节省时间，降低经济负担。在这篇综述中，我们介绍了最近使用传统机器学习和深度学习技术在生物医学检测方面的工作。 我们探索了各种算法资源，包括支持向量机（SVM）、随机森林（RF）、贝叶斯、K-近邻（KNN）、人工神经网络（ANN）、反向传播（BP）、卷积神经网络（CNN）和图卷积神经网络（GCN）。然后，提供海量信息，发现中药疗效特点，包括药物靶点发现、药材质量评价、中药协同优化和辅助诊断。 我们展示了利用计算机多模型算法框架来辅助传统医学诊断，发现先导化合物和药物作用机制。并进一步推动了传统中医药的发展和临床应用。

1.1 将AI用于生命科学
人工智能（AI）是由计算机系统对人类智能过程的模拟。1950年，被视为 "计算机科学之父 "的阿兰-图灵提出了机器思维的概念。随后，在1956年的达特茅斯会议上，首次提出了 "人工智能 "的概念。1959年，Arthur Samuel提出了 "机器学习 "一词。作为人工智能的一个分支领域，机器学习主要研究如何模拟或实现人类智能的学习功能，即让机器自动从经验中获得新的知识或技能。机器学习技术已经为现代社会的许多方面提供了动力，如自然语言处理、图像识别和风险评估，而且它越来越多地出现在生物医药的药物和靶标发现中。监督学习和无监督学习是机器学习的最常见形式。监督学习方案通过一个推断函数将输入数据映射到输出类标签。相反，无监督学习的目标是发掘输入数据的隐藏结构，而不给它指定一个类别。 有监督的机器方法问题可以分为分类和回归，无监督的机器学习可以分为聚类和降维。然而，随着时间的推移，数据资源不断上升，数据变得高度复杂，需要对数据整合和分析进行更准确的评估。因此，单一的机器学习方法并不能完全满足当前的需求。深度学习作为机器学习的一个特殊部分，具有良好的泛化能力，发展迅速。

深度学习框架最早建立于20世纪80年代。由于计算能力的显著提高和大量可访问数据集的出现，深度学习在2006年开始迅速发展，并逐渐在计算机领域扩大影响。此外，深度学习框架是一种复杂的机器学习算法，由于其在图像识别、自然语音识别和生物信息学方面的成就，近年来得到了广泛的应用。深度神经网络的基本结构包括CNN、BP、GCNN、循环神经网络（RNN）和文本损失函数。它与机器学习的区别在于，它模仿人脑神经元的传输方式来收集有用的信息，模仿人类的认知。深度学习可以发掘出复杂数据的内在规律。通过学习最终获得的信息对复杂数据的解释有很大帮助。使用深度学习算法的目标是为机器提供与人类相同的分析能力（表1）。

从其诞生的那一刻起，人工智能技术就与医学治疗密切相关（图1）。确切地说，计算机算法几乎参与了中医发展过程的每个阶段。人工智能的初步发展首先是与西医的辅助诊断和化药的研究相结合。HP Chan等人研究了计算机自动检测数字乳腺图中微钙化的方法的可行性，并首次用计算机系统指出可疑微钙化的位置以协助临床诊断。后来，计算机辅助算法开始检测和诊断各种疾病，如神经退行性疾病、眼病、心血管疾病和恶性肿瘤。值得注意的是，基于中药系统的复杂性和网络药理的发展，机器学习和深度学习算法被广泛应用于中医舌脉诊断和症候群研究。此外，SVM、RF、CNN等算法模型被用于研究中药的质量控制、发现有效成分和协同机制研究。然而，在中药领域，大规模的筛选和严格的临床试验仍然不足，导致一些人不了解本草机制，最终导致发展困难。 人工智能算法框架有望揭开中医药的神秘面纱。人工智能相关技术已被广泛应用于疾病靶点预测、高通量数据分析和系统生物学建模。 多组学数据的大量积累为这些智能技术提供了学习基础。计算机算法可以解决这些问题，包括整合多组学数据，以及大量的复杂变量数据信息。

2. 在TCM中使用的算法框架
在中医疾病的治疗和诊断过程中，最艰巨的任务是发现和阐明存在于广阔化学空间中的合适的、具有生物活性的药物分子。然而，90%的天然药物分子往往不能通过二期临床试验。 此外，这个过程依赖于大量的资金和能量支持。机器学习和深度学习试图尽可能地挖掘生物数据的潜在特征。自20世纪90年代以来，机器学习是药物研发中一个特别重要的工具。 与传统方法相比，深度学习在小分子化合物筛选中也发挥了重要作用。此外，产生的海量数据为机器学习或深度学习提供了数量上的训练样本，为数据挖掘带来了革命性的进步。该算法强大的数据处理能力与中医药的多靶标特性相结合，也许是促进中医药发展的新方法。 在本综述中，我们共收录了127篇论文，搜索了已发表的人工智能技术在传统中医药领域的应用。我们发现，算法在中医领域的应用主要涉及五个方面。涉及的相关算法包括机器学习和深度学习算法，包括KNN、SVM、RF、Bayes、ANN、CNN、BP、GCN等（图2）。

图2：(A)雷达图和(B)热图显示了TCM与人工智能算法的结合应用。人工神经网络，ANN；反向传播，BP；卷积神经网络，CNN；图卷积神经网络，GCN；K-近邻，KNN；随机森林，RF；支持向量机，SVM。

2.1. AI中的中药材质量评价
中药的质量标准化是中国医药行业亟待解决的一个重要问题。由于种种原因，中药的质量标准仍不完善，市场上经常出现掺杂使假的中药，对用药安全和人类健康安全构成了重大威胁。如何建立和完善反映中药整体特点的质量评价方法，成为解决中药质量不合格现象的重要一步。 但是，中药的质量评价体系还不完善。传统的中药质量评价方法包括单标志物多成分定量分析法（QAMS）、超高效液相色谱法（UPLC）、中药指纹技术和代谢组学技术在中药中的应用。此外，有些方法复杂、破坏性大、不经济，随着中药现代化的进展，可能无法满足要求。因此，需要更加高效、准确和科学的方法来提高中药的质量控制。在质量控制方面，人工智能技术的存在可以成为中医药发展的辅助手段。

最近，郭家鼎等人以羌活生石（QHSS）煎剂为例，用深度学习辅助的质量缺陷过滤器（MDF）方法研究了植物化学成分。与传统方法相比，该方法能够对复杂物质中的多种植物化学成分进行智能化、高准确度和高效率的分类。更重要的是，利用CNNs模型对不同种类的中国黄连（ZP）进行图像识别，准确率达99.35%。 其高识别能力成功开发了一种新的方法，可以快速准确地对中药中的不同品种进行聚类。赵杰等人评估了中药颗粒的质量控制，使用了不同的机器学习方法–通过遗传算法优化的区间偏最小二乘法（GA-iPLS）、反向传播人工神经网络（BP-ANN）和粒子群优化-支持向量机（PSO-SVM）。这些模型可以解决中药的非线性问题，并生成有前途的质量评价方法，以帮助加强中药产品的质量监督和控制。为了保证质量，快速评价和鉴定和评价巴黎多肉植物变种云南的生长年限，岳佳琪等人提供了深度学习和二维相关光谱（2DCOS）的组合。该鉴定利用计算机方法的优势，为中国药用植物的鉴定提供了参考。同时，与其他算法模型相比，2DCOS在药用植物的鉴定中具有绝对优势。为了快速、无损、准确地对中药活性成分进行定量测定，Juan He和等人，建立了Fritillaria thunbergia bulbi中的peimine和peiminine含量预测图。利用U-Net的深度学习图像分析模型和高含量筛选（HCS），Zhuyin Li和等人构建了一种多重和高通量的方法来量化药物在组织中的分布。

测定药物在人体和动物器官中的浓度是确认药物疗效的前提，将计算机的人工智能与生物技术相结合是非常有前途的。 中药质量检测方法与人工智能的结合，发挥了计算机评价的优势，丰富了中药质控的评价方法。然而，计算技术还不成熟，大多数人工智能检测方法只针对一种中药材或药用植物。如何在质量控制中开发一种通用的中药方法，需要进一步研究。

2.2. 中药活性物质的虚拟筛选
虚拟筛选（VS）又称计算机筛选，利用计算机模拟靶标分子对接来筛选生物活性分子，提高先导化合物的发现率。虚拟筛选分为两类：基于受体的虚拟筛选和基于配体的虚拟筛选。Silico VS主要应用于药物动力学研究、新药设计和药物靶点发现等方面。随着中医药发展的巨大进步，在中药中，计算机筛选越来越广泛地用于治疗疾病和发现新的治疗靶标或化合物。与单靶点合成药物相比，中药是一种具有多靶点治疗的天然物质，与人工智能技术相结合将发现更多潜在的活性化合物。此外，通过计算机筛选发现的多靶点、多成分，可以达到经济节约的目的。

根据流行病学调查，在2009年H1N1流感病毒中，有超过18000人死亡。寻找有效的抗病毒活性成分对H1N1非常重要，具有重要的医学意义。Su-Sen Chang等人建立了多种计算算法模型，从中药中筛选出针对H1和N1的活性化合物。基于传统湿式实验室实验的药物筛选往往需要大量的资金，这无疑增加了社会和经济负担。而利用计算机VS可以大大减少药物筛选的工作量和时间，节约经济成本。刘志红等人，建立了一个预先训练好的自注意信息传递神经网络（P-SAMPNN）模型，该模型分析了抗骨细胞生成的数据集，来虚拟筛选高可能性的抗骨质疏松疗法。虚拟筛选还参与了癌症的靶点识别。DrugCell作为一个可解释的深度学习模型，可以预测性地、系统地表征人类癌细胞的药物反应的生物机制。基于中医的多种复杂成分，可能有可能发现治疗癌症的新化合物。此外，利用TCMSP的中药相关数据库和多种算法方法寻找治疗肿瘤的先导化合物，发现一些多肽对治疗癌症有潜在的意义。同时，利用深度学习模型和相似性网络融合识别前列腺癌的生物标志物，前列腺癌是一种产生于前列腺的恶性肿瘤，收集了6个交叉的omics生物标志物。目前，深度学习和机器学习在活性成分发现中的最先进应用还包括其他疾病，如神经退行性疾病、心脑血管疾病和代谢性疾病。陈信义将深度学习和随机森林方法用于寻找治疗阿尔茨海默病的最佳中药配方。其预测准确率在测试集上的R2值达到了0.890，在中草药化合物的筛选上取得了进展。此外，基于机器学习方法的前馈全连接神经网络（FCN）被用于淀粉样蛋白聚集率。基于深度学习的药物诱导的心脏毒性预测，被命名为deephERG，也已经建立。由多任务DNN算法建立的deephERG模型在训练集和验证集上的AUC值分别为0.944和0.967，预测能力令人满意。然而，Collin Stultz认为，深度学习在心脏病学模型中的应用都是错误的，但有些是有用的。毫无疑问，一些模型，包括那些使用深度学习开发的模型，是非常有用的。然而，事实是，所有的模型都代表了复杂现象的简化，因此，本质上是不准确的。

与基于配体的虚拟筛选方法（包括Bayes、KNN、SVM和RF）相比，深度学习算法模型在靶标结构预测、活性位点识别、配体-受体相互作用和结合亲和力计算方面发挥了更好的作用。 中医药作为人类遗产的巨大宝库，其疗效已被广泛认可和验证。随着研究的深入，传统的中医药传承辅助系统等数据分析平台已经不能满足更复杂的数据挖掘。基于计算机的深度学习和机器学习人工智能技术有巨大的潜力。然而，这些药物筛选模型更具有针对性，如单靶点的肿瘤疾病、心肌缺血、神经退行性疾病等。综合各种疾病的特点，从整体角度出发，有望建立一个伴随着明确发病机制的数字化人体结构，以及一个有效的治疗模型。

2.3. 中药的药理机制
中药的特点是以综合症为基础的药物治疗，具有多个靶点和多种通路。但是，明确其药理机制仍然很困难。而且必须投入大量的经验和金钱来证实。生物信息学的发展极大地促进了对中药机理的更好认识。 随着数据量的逐渐增加，似乎也增加了中药机理发现的复杂性。最近，研究人员将注意力集中在人工智能技术在数据处理和发现中药的新特征方面。 更重要的是，利用计算机算法，可以总结出药物利用的规律性

中药越来越多地被用作胃癌的补充和替代疗法，如白术和黄芪。徐新天等，利用关联规则挖掘（ARM）、深度机器学习和计算预测结合体内外实验，验证了肿瘤细胞的存活率。Feifei Guo等人通过人工智能的方法，使用无监督机器学习导出了中药的机制，用于化合物的细胞功能相似性，这可能有助于阐明独特的机制。利用分子对接、网络药理学、实验验证等综合方法研究神仙醉片（SYKFT）的作用机制。为复方中药的临床应用提供充分的科学依据。杨世伦等人通过机器学习，即结合贝叶斯模型，对小徐明煎药的神经保护性化合物进行了鉴定。小徐明煎剂作为中医经典方剂具有神经保护作用，贝叶斯模型的方法可能是实现药物活性和机理精确预测的有力辅助工具。 考虑到复方中药引起的肝毒性的发生，吴启辉等建立了中草药诱导肝损伤（HILI）预判模型，该方法对预测中药的肝脏毒性和明确作用机制起到了一定作用。由于有必要更深入地研究内在机制，薛旭等人通过机器学习确定了药材类别，并评估了药材靶点与疼痛障碍模块之间的相互作用。 最近，SARS-CoV-2的大爆发和快速传播对世界人类的生命和健康构成了巨大威胁。清热解毒汤（QFPD）结合各种中药对COVID-19有治疗作用。研究人员对实验结果进行了分子联网和整合，发现QFPD对COVID-19的治疗作用可能归因于其抗炎特性。此外，Wengong Jin和等人还利用一种称为ComboNet的深度学习方法发现了COVID-19的治疗药物。这个模型达到了0.82的测试ROC-AUC，并发现remdesivir和reserpine对COVID-19具有协同治疗作用。计算机算法的应用大大减少了巨大的资金投入，提高了研究效率。 此外，阐明中药在治疗复杂疾病方面的作用机制也发挥了重要作用。然而，受限于各种算法模型的准确性。药理作用的预测仍然需要结合体内或体外实验来证明。 人工智能技术在数据处理和发现中药的新特点方面应该常态化。这仍然是非常有意义的进展。在这个数据爆炸的时代，计算机算法框架在挖掘复杂的中药特点和机理方面无疑贡献了不可忽视的功能。

2.4. 中药配方的整体治疗和协同策略
人体是一个复杂的网络系统，疾病的发病机制往往是多种因素综合作用的结果，其发病机制可以理解为多通路、多靶标的网络变化。联合用药是美国食品和药物管理局（FDA）批准的一种常见疗法。许多案例表明，联合用药对复杂疾病有很好的效果，起到了 "增效减毒 "的作用。 中药的特点是多成分、多靶点、多通路的整合调节作用，旨在从根本上治疗疾病，这与现代医学中的联合用药治病的理念是一致的。然而，在开药治病时，往往受医生的直觉和经验驱动，而不是既定的原则。同时，由于中药多成分、多靶点的复杂性，识别和验证有效组合的能力受到组合爆炸的限制。 因此，需要利用 "黑箱 "的说服性算法框架来预测药物组合，提供准确的预测结果。

在目前的药物组合研究中，主要有两种方法，包括基于网络的方法和构建机器学习模型的预测方法。 这两种方法都可以节省实验测量的时间和成本，缩短初步筛选的时间。Deep-Synergy作为药物组合协同，基于输入层神经元输入两种药物的化学特性和细胞系的基因表达作为特征向量，最后通过隐藏层的深度协作网络转换输出预测的协同部分。随后，大部分的药物组合预测都是基于这个模型进行优化。**Jing Tang和等人，提出了一种基于网络的方法来计算草药对的相互作用。基于网络拓扑结构检测协同化合物的相互作用，将有助于更有效地探索草药组合的空间。**此外，通过计算机化的方法理解中医理论，有望取得丰硕成果。最近，唐晶的团队工作提出了生物信息学的方法，根据BeatAML的数据集寻找急性髓系白血病（AML）疾病的联合药物治疗。通过网络相似性方法计算两种药物组合的协同效应。以上所有药物组合方法的预测，几乎是两种药物的组合。如何预测多药协同作用仍然是一个重大挑战（图3）。

图3. 中药协同性组合的预测方法。(A)基于网络的药物组合。对于中药的组合，网络包括中药-化合物-靶标-疾病网络。网络的接近性可以通过网络拓扑距离来确定，包括中心、最近、核心、最短、分离和重叠。(B)机器学习模型预测。输入的药物特征信息矩阵通过网络传播到线性输出单元，从而获得预测的组合药物的协同值。

2.5. 协助中医临床诊断
中医的诊断是在中国传统基本理论的指导下进行的。它是一个复杂的系统，很难准确诊断，它考验着医生的技术。将中医诊断与人工智能技术相结合已成为当前的流行趋势。下面介绍几种利用计算机算法进行中医诊断的方法。

舌苔一直被作为中医诊断的有效手段。王旭等人建立了油腻的舌苔识别网络（GreasyCoatNet），并从中医的角度用于辅助COVID-19的诊断。舌头图像提供了人体重要的物理信息，杨虎等人建立了基于舌头图像的CNNs模型，为从更多的物理信息中自动构建中药处方提供了参考。李俊等人通过机器学习方法建立了基于精确图像识别技术的无创糖尿病风险预测模型。梁朝晖等人提出，深度生成学习用于中医的自动EHR诊断，该模型是能够自动地从下层学习抽象的特征。

中医临床诊断容易受医生的主观影响，缺乏规范性和准确性。目前应用于中医四大诊断领域的人工智能算法可以分为两类：传统机器学习算法和深度学习算法。传统的机器学习算法可以在没有大量训练数据的情况下取得良好的效果。 SVM作为应用最广泛的传统机器学习方法，其原理是利用非线性映射将低维特征映射为高维特征。与传统机器学习算法相比，深度学习更加灵活。CNN可以端到端处理非结构化数据，自动感知和理解输入数据，无需人工干预。虽然目前中医诊断方法主要集中在判断舌质和脉象情况，但利用算法模型辅助中医症候诊断的 "匣子 "已经打开，有望减少临床误诊。 在过去的十年里，人工智能在各个领域的发展并不均衡，它已经导致了对我们日常生活有重大影响的技术的扩散。

3.结论
在这篇综述中，我们系统地介绍了中医药在算法框架技术上的质量控制、活性化合物发现、虚拟筛选、协同机制和诊断学应用。在一定程度上，人工智能算法为处理庞大的生物数据提供了有利的武器。其常用方法包括频率分析、关联分析、复杂网络分析和聚类分析。然而，算法模型的效果往往是以牺牲模型的可解释性为代价的。 在深度学习中，网络模型变得越来越复杂，这导致其可解释性差。人工神经网络的深度学习被称为 “黑箱模型”，它模拟了神经元的相互连接的细胞通信，以解决学习问题。如何提高算法模型结果的合理性和可解释性变得非常重要。常用于提高模型可解释性的方法包括代用模型和局部可解释性模型的解释（LIME）。其原理是在全局和局部解释不同的文本模型，以证明这些方法和图像分类的灵活性。在研究中医领域的创新算法时，应考虑创建的模型的可理解性，这不仅可以使数据科学家更深入地了解内部的工作原理，从而找到提高模型有效性的方法。它还可以让用户更好地理解模型的结果。

人工智能已经渗透到中医的每一个方面。通过检索近20年来在质量评价、虚拟筛选、药理机制、中药配伍、中医诊断等方面的相关文献，我们发现SVM、RF、Bayes、KNN等方法被普遍使用。特别是在中医的质量评价、虚拟筛选和药理机制方面。深度学习是机器学习的一个特殊方面，主要包括CNN、BP和ANN。它在中医领域的应用主要包括中医诊断、质量评价和虚拟筛选。机器学习算法和深度学习算法在功能上可以概括为复杂数据的正则化，可以概括为回归、分类、降维和聚类。对SVM、RF、Bayes、KNN和人工神经网-工程的深入研究，无疑将大大有助于机器学习和深度学习的准确性，中医各方面的发展将更离不开计算机的算法。实现快速、高效、低成本的行业要求。虽然人工智能技术的优势已经被大量的研究证明，但目前还没有以这种方法为核心技术开发的具有明确疗效的临床中药。因此，基于机器学习和深度学习的中医药研究一直受到业界的质疑。然而，技术的突破在初期往往伴随着极度的质疑，一旦实现质的飞跃，也将获得更大的投资回报。无论如何，计算机人工智能是科学和技术的产物。一旦经得起考验，必将推动中医药产业现代化的发展。

中医药在治疗各种复杂疾病方面有着悠久的历史，包括神经退行性疾病、肿瘤和自身免疫性疾病。但是，目前还存在着中药质量评价体系不健全、中药成分特征不明确、缺乏创新等问题。 其丰富的实践经验和大量的文献资料在资源开发和利用方面不足，临床试验的经验高度个性化，直接影响了其继承和发展的效率。由于人工智能技术的快速进步和发展，计算机算法将在一定程度上成为解决这些问题的突破口，常见的方法包括频率分析、关联分析、复杂网络分析和聚类分析。在这篇综述中，我们系统地介绍了算法框架技术在中药质量控制、活性化合物发现、靶点虚拟筛选、多组分协同作用评估和诊断学应用上的应用，这将有利于为今后计算机算法在中药中的研究建立基础。综上所述，我们认为，在目前机器学习算法研究的基础上，深度学习算法是中医药数据挖掘的一项有前景的技术。可以预见，未来随着人工智能辅助中医治疗的发展，将为中医发出一个更清晰的。