建立一个“精准”的中医人体状态描述体系需要规范可用于状态辨识（辨证）的症状、体征的集合，并引入方便检测、且对状态辨识有意义的客观检测指标。进而通过大数据分析，建立状态变量（证候）与人体症状、体征和可测变量之间的对应关系。

    与现代西医采用基于可以直接检测的变量描述人体的状态不同，中医学状态描述体系的状态变量是基于表征人体功能状态而引入的，如表征脾的消化吸收功能，引入了脾气虚的状态变量；表征肝气疏泄的状态，引入了肝气郁滞的状态变量。这样的状态变量通常是不能直接检测的。为此，就要寻找与其具有相关性的可测变量（包括症状、体征和检测指标），并建立可测变量与状态变量之间的对应关系。

    中医学经过两千多年的临床实践，对证候所对应的由主要症状、体征组成的症状群有了基本的认识。但目前这些症状群，基本局限于病人主观感觉的症状和医生观察到的体征，辨证的准确性不可避免会受到病人和医生主观因素的限制。因此，最大限度地减少疾病信息采集过程中的主观因素，同时引入一些客观的检测指标，对于提高辨证的精准度显然是必要的。

    美国“精准医学”计划中包含的基因变异与人类疾病相关分析的“百万志愿者”计划，以及加拿大Deep Genomics公司借助人工智能深度学习技术改革基因医疗的思路，均为中医的证候辨识发现并引入一些客观检测指标提供了有可操作性的方法借鉴。人类基因组测序过程中，发现的人群中的DNA突变总数数以亿计，其中突变频率大于1%的大概有300万个。要研究疾病与DNA突变之间的关系，需要巨大的患者样本量，才可能统计出患者群体与正常人群体DNA突变之间的差异。对于突变频率小于1%的DNA突变，虽然群体数量庞大，但是单个并没有统计学意义，所以在疾病的分析中被自动屏蔽掉了。从数量上看，基因检测如果缺少对突变频率小于1%的DNA突变的深入分析，精准医疗只能被限制在狭小的范围之内。Deep Genomics的创始人，加拿大多伦多大学的Frey教授很早就专注于该领域的研究，希望利用深度机器学习技术改造精准医疗，推进基因检测、诊断和治疗的发展，解决如何分析突变频率小于1%的DNA突变与疾病之间的关系问题。可以设想，这意味着难以想象的巨大工作量。而即使完成了这后一步，也只是基本搞清了基因突变与疾病的关系，离构建人体整体状态的描述体系的“终极目标”，仍然是“可望而不可即”。

    从难度和工作量分析，中医目前较公认的常见证候约为100多个，即使随着研究的深入，将这个数目扩大1倍，甚至10倍，与“DNA突变总数数以亿计，其中突变频率大于1%的大概有300万个”的数据规模相比，还是微不足道。而中医如果完成这步工作，将向世界呈献的是一个完整的科学化的精准的状态描述体系。显然，在走向“精准医学”的道路上，中医不仅有“得天独厚”的优势，而且占尽先机。不同之处在于，“精准医学”计划的方案是以基因变异作为相关分析的参照系，是可以通过基因测序精准确定的，而中医学基于带有主观色彩的症状、体征对证候的辨识则没有那么高的精准率。

    基于与状态变量（证候）有相关性的多个症状、体征辨识状态变量（证候）的状态，这是人工智能领域的模式识别问题。近几十年，随着人工智能技术的发展，模式匹配和模糊识别方法在应用上渐趋成熟，多种识别算法有机结合成为趋势，使得模式识别在精准度上有了长足的进步。在应用方面，像指纹识别、面像识别系统等，虽然在辨识的精准度方面还有进一步提升的空间，但均达到了投入实际应用的基本精度要求。显然，基于现有的人工智能技术，在状态辨识（辨证）方面，达到相当于指纹识别、面像识别的精准度，目前已经没有任何技术障碍。

    而且，随着这方面工作的进展，将已经发现的精准度较高的客观检测指标，加入到作为参照系的证候对应的症状集合中，状态辨识的精准度无疑会得到进一步提升。而人工智能深度学习技术的引进，基于大数据的统计分析，会不断地发现更精准的检测指标，同时基于临床统计分析及计算器叠代验证的结果，不断调整优化症状、体征、检测指标在证候辨识过程中的贡献度参数，以及判断决策过程的逻辑规则，无疑会使基于症状、体征、检测指标对状态变量（证候）的辨识越来越精准化。（袁 冰 香港现代中医药研究发展中心）

（责任编辑：朱蕗鋆）