计算机辅助腧穴定位技术的系统综述：传统算法与深度学习的融合与展望

《iScience》：A Systematic Review of Computer-Aided Acupoint Localization

本刊推荐：为解决传统腧穴定位依赖医师经验、存在主观差异的问题，研究人员系统回顾了计算机辅助腧穴定位技术，涵盖红外热成像(IRT)、主动形状模型(ASM)及ResNet、HRNet、MobileNet等深度学习模型的应用。结果表明深度学习模型在面部、手部等区域定位准确率可达90%以上，但存在数据集规模小、计算复杂度高等挑战。该研究为智能针灸技术发展提供了重要理论支撑。

　　

针灸作为传统医学疗法已在全球广泛应用，但传统腧穴定位长期依赖医师的个人经验。研究表明，即使资深医师对同一腧穴的定位也存在显著差异——例如71名医师标记23个常用腧穴时，95%置信区间范围从PC6穴的2.7平方厘米到ST38穴的41.4平方厘米。这种主观差异性给针灸研究的可重复性和临床教学带来了挑战。

随着人工智能技术的进步，尤其是深度学习的发展，研究人员开始探索自动化腧穴定位技术。2020年Sun等首次将深度学习应用于腧穴定位，达到76%的检测率，为此领域研究奠定了基础。然而，现有技术在不同解剖区域的适用性、准确性与临床实用性仍需系统评估。

在此背景下，翟振伟等研究人员在《iScience》发表了题为"A Systematic Review of Computer-Aided Acupoint Localization"的系统综述，全面分析了传统算法与深度学习在头面部、手部、背部等复杂解剖区域的腧穴定位应用。研究团队检索了九个数据库的5711篇文献，最终纳入54篇符合标准的研究（39篇英文，15篇中文），通过VOSviewer等工具进行可视化分析，揭示了该领域的技术演进、局限性与未来方向。

关键技术方法包括对EI、IEEE、Springer等九个数据库的系统检索，使用EndNote 21去重，按预设标准筛选文献。采用VOSviewer(1.6.20)和Scimago Graphica(1.0.51)进行国家/机构合作网络可视化分析。从纳入研究中提取模型结构、损失函数、优化器、数据集特征等关键技术参数，重点评估了传统算法（如IRT、ASM）和深度学习模型（如ResNet、HRNet）在不同解剖区域的性能表现。

研究结果

研究特征分析

纳入的54篇研究主要来自中国（47篇），其余来自美国、韩国等。四川大学发文量最高（7篇），中国科学院被引次数最多。Du等的研究被引36次，为最高引用的单篇论文。深度学习相关研究28篇，传统算法26篇，涉及面部、手部、背部、耳部等区域，其中面部腧穴定位研究最为集中（10篇深度学习，13篇传统算法）。

传统腧穴自动定位技术

红外热成像(IRT)技术通过检测体表温度差异进行定位。Zhao等最早（2010年）将IRT用于面瘫患者ST2穴定位，建立基于眼、口位置的坐标系，实现九名受试者的高精度定位。后续研究结合最小特征值算子与拉普拉斯-高斯(LoG)算子，将定位精度提升至94%。然而IRT易受个体热谱特征一致性和环境因素影响。

主动形状模型(ASM)和主动外观模型(AAM)通过统计学习提升精度。Chang应用ASM结合骨度分寸理论定位面部腧穴；Wen等基于WFAS STANDARD-002:2013标准实现耳穴分区，平均欧氏距离(ED)为6.67±0.59。Li等采用AAM整合形状纹理特征，在168张耳部图像上达到95%识别率，但需要高质量输入图像。

增强现实(AR)与三维技术方面，Zhang等开发的FaceAtlasAR系统集成TFLite面部对齐模型，通过MediaPipe框架实现实时跨平台腧穴计算。Chen等基于HoloLens 2的系统将定位误差降至2.55毫米。三维建模中，Kim等利用X射线CT数据生成覆盖361个标准腧穴的全身体模型。

基于深度学习的腧穴自动定位

ResNet系列模型中，Chen等采用ResNet-50结合迁移学习和Wingloss函数，在WFLW数据集上使九个面部腧穴的平均标准化平均误差(NME)降至2.5%。Huang等应用ResNet-50分析2283张图像中的ST4、EX-HN4等腧穴，NME达0.54%。Liu等通过加入通道空间注意力机制(CBAM)将背部23个腧穴定位准确率提升至90.12%。

HRNet因能保持高分辨率表征而适用于精确定位。Zhang等结合分辨率、通道和空间注意力机制，使43个面部腧穴的NME达2.42%。Yanglu Chen提出的ALHRNet通过剪裁原始HRNet并集成混合注意力模块，将NME进一步降至1.76%。在背部腧穴定位中，HRNet在环境干扰、姿势变化等复杂条件下仍保持96.3%准确率。

轻量级模型MobileNet在效率方面表现突出。Kuang等比较发现，基于MobileNetV2的PFLD模型在背部腧穴定位中准确率达98.11%，推理时间仅3毫秒，显著优于HRNet（96.3%，32毫秒）。Sun等构建双侧耳部图像数据集，MobileNetV2结合方向归一化模块实现5.14%的NME。Zheng等将改进的MTCNN与MobileNetV3集成，在Lapa数据集上达到97%定位精度。

其他模型如YOLOv8-ACU结合高效通道注意力(ECA)机制，在外部数据集上mAP@0.5达99.5%。Gao等利用生成对抗网络(GAN)生成眼穴图像，改进的CycleGAN实现71.33%输出腧穴率。Ji等结合图卷积网络与PointNet实现三维腧穴预测，在GV14、BL11等关键腧穴上优于PointNet等模型。

性能比较与局限性分析

不同模型在NME和准确率指标上表现各异：Huang等基于MobileNetV2的模型获得最佳NME（0.31%），而Danish Masood等的VGGNet方法达到最高准确率（98.70%）。然而，当前研究存在数据集规模小、缺乏统一评估标准、计算资源与实时性平衡等挑战。多数研究未公开代码和数据集，影响结果可重复性。

研究结论与讨论

本综述表明，计算机辅助腧穴定位技术已从传统图像处理方法发展到深度学习时代，在特定解剖区域展现出应用潜力。然而，技术发展需与中医理论深度融合——腧穴在中医理论中并非静态解剖点，而是随个体状态动态变化的功能节点。Molsberger等研究显示，即使标准化定位，腧穴本质上是"大场"概念，具有功能可塑性。

未来研究方向应包括：开发概率空间映射框架替代固定坐标预测；融合热成像、压痛等多模态数据；通过联邦学习解决数据隐私问题；结合视觉注意力图、因果推理等方法增强模型可解释性。更重要的是，技术发展应尊重中医整体观和辨证论治原则，在提升定位一致性的同时，保留中医个体化诊疗的精髓。

该研究系统梳理了计算机辅助腧穴定位的技术脉络，为智能针灸设备开发、标准化教学及临床研究提供了重要参考。随着算法优化与中医理论的进一步融合，自动化腧穴定位技术有望在辅助诊疗、智能针灸等领域发挥更大价值。