《Frontiers in Neurology》：Diagnostic accuracy of tongue diagnosis for stroke syndrome differentiation in traditional Chinese medicine: a systematic review, meta-analysis, and narrative synthesis of artificial intelligence-assisted models
背景：舌诊是卒中后传统中医（TCM）证候辨别的核心，但其诊断准确性尚未采用当代诊断试验准确性（DTA）方法进行评价。
方法：研究人员检索了PubMed、Embase、Web of Science、CNKI、Wanfang和VIP，自建库至2026年2月23日（PROSPERO：CRD420261288502）。第1轨道手动舌诊研究采用双变量或单变量随机效应模型进行合并；第2轨道人工智能（AI）辅助模型研究根据SWiM进行叙述性综合。偏倚风险采用QUADAS-2评估，第1轨道证据的确定性采用GRADE-DTA评估。
结果：来自中国大陆的10项研究纳入3,437名参与者：6项手动诊断研究（N = 2,191）和4项AI辅助研究（N = 1,246）。由于证据确定性极低且参考标准独立性未得到保证，所有估计均被视为与现有证候分类流程的探索性一致性，而非经临床验证的诊断准确性。虚寒舌簇显示合并特异度为0.97（95% CI：0.87–1.00），阳性似然比（PLR）为31.0（95% CI：2.8–341.6）。腻苔簇显示合并敏感度为0.83（95% CI：0.52–0.96），特异度为0.80（95% CI：0.68–0.88），PLR为4.1（95% CI：2.5–6.8），阴性似然比（NLR）为0.21（95% CI：0.06–0.71）。血瘀舌显示低敏感度以及不稳定、异质性估计。可分析的小样本证据基础与规模大得多的描述性文献形成对比。结论：当前证据仍过于不确定，无法支持手动舌诊用于常规或独立临床使用，适用性主要限于中国大陆中医卒中诊疗环境。手动和AI辅助方法需要采用独立证候裁定且排除指数舌特征的前瞻性多中心验证。未来研究应按卒中病因分层分析，并报告AI模型的校准和临床效用。系统评价注册：PROSPERO，CRD420261288502。
1 Introduction
卒中为全球第二致死和第三致长期残疾原因。传统中医（TCM）证候辨别在部分地区常与神经影像整合，用于个体化中药、针灸和康复。舌诊因无需设备、成本低、床旁可重复而受重视。然而，卒中证候辨别的舌象尚未按当代诊断试验准确性（DTA）标准评价。主要限制包括：多数研究缺少2 × 2列联表，无法估计敏感度、特异度和似然比；TCM参考标准常为包含舌象的复合共识，造成incorporation bias；卒中人群舌诊观察者间一致性未系统量化。近十年，ResNet、DenseNet等卷积神经网络用于舌图像自动分类，部分单中心研究报告内部准确率>90%，但证据碎片化，缺少外部验证，也未按AI诊断模型报告标准评价。因此，研究人员开展前瞻注册双轨系统评价：Track 1定量合成手动舌诊研究，Track 2按SWiM叙述综合AI辅助模型，并用QUADAS-2和GRADE-DTA评价偏倚风险与证据确定性。
2 Materials and methods
2.1 Protocol and registration
本研究前瞻注册于PROSPERO（CRD420261288502），遵循PRISMA 2020和PRISMA-DTA。注册后修订：发现同一团队、机构且入组期重叠的两篇报告后，仅保留更全面的硕士论文（n = 150），排除期刊文章（n = 151），以避免分析单位错误。
2.2 Eligibility criteria
采用PIRTS框架。人群为CT或MRI确诊的缺血或出血性卒中患者。指数试验为合格TCM医师手动视觉舌评估（Track 1）或AI辅助定量舌识别（Track 2）。参考标准为国家认可TCM卒中证候分类共识。目标证候包括气虚血瘀、风痰湿、痰热火和阴虚。纳入横断面、前瞻和回顾队列；证候对证候病例对照可用于Track 1；健康对照AI病例对照仅用于Track 2叙述探索并降级。
2.3 Search strategy
检索PubMed、Embase、Web of Science、CNKI、Wanfang和VIP，自建库至2026年2月23日，主题词与自由词结合，无语言限制，并手检纳入研究和相关综述的参考文献。
2.4 Study selection and data extraction
使用Zotero和人工检查去重，共去除451条重复记录。两名评价者独立筛选标题、摘要和全文，第三位资深评价者裁定分歧。两名评价者独立提取数据。对每个舌特征簇提取2 × 2表；若仅报告敏感度、特异度和样本量，则代数反推并将分数单元格取整。记录研究设计、入组期、地区、医疗环境、卒中亚型和阶段、样本量、人口学、评估者资质、AI图像采集背景及参考标准；未报告项编码为“NR”。
2.5 Risk of bias assessment
两名评价者独立用QUADAS-2评价患者选择、指数试验、参考标准、流程和时机四域。理想准确性研究为前瞻、全盲，由独立委员会用综合临床和神经影像数据确立证候。AI研究额外评估数据泄漏、事后阈值优化、缺少独立外部验证和图像预处理谱偏倚，采用STARD-AI和TRIPOD+AI核心条目。
2.6 Statistical analysis
临床特征聚类将异质舌特征映射到八个预定义诊断簇，归入四大TCM病机；层级规则为舌体形态>舌苔特征>舌下血管，防止重复计数。Track 1以参与者水平2 × 2表为评估单位，采用双变量或单变量随机效应模型；Greasy Coating簇（k = 4）用双变量模型生成汇总受试者工作特征曲线（SROC）；k = 3簇用单变量随机效应模型、DerSimonian-Laird估计、Freeman-Tukey双反正弦变换和精确二项置信区间（CI）。因比例接近边界，进行logit转换敏感性分析。Yin-Deficiency簇（k = 2）不合并，仅证据图。阳性似然比（PLR）、阴性似然比（NLR）和诊断比值比（DOR）用随机效应模型合并，零单元格仅对LR/DOR计算施加0.5连续性校正。异质性用I
2量化，τ
2在收敛时报告。因稀疏无法计算Spearman阈值效应。进行留一法、模型诊断、转换敏感性和受影响行排除分析。Fagan nomogram用合并似然比在50%验前概率下说明性计算，并设20%和80%情景。因各簇研究少于10项，未做Deeks检验。Track 1用GRADE-DTA评定确定性。
3 Results
3.1 Study selection and characteristics
六数据库检索到13,895条记录，去重451条后筛选13,444条，335条全文评估，最终纳入10项研究、3,437名参与者。全部研究在中国大陆进行，样本量88—1,035，发表年份2001—2025。6项手动视觉舌诊研究（N = 2,191）进入定量Meta分析，4项AI辅助研究（N = 1,246）进行叙述综合。卒中亚型以缺血性为主（k = 6），1项出血性，3项混合。目标证候包括风痰瘀阻、气虚血瘀、痰热腑实、阴虚风动、风火扰上和肝气郁结等。
3.2 Risk of bias
Track 1中参考标准域问题最大：3项高偏倚风险、2项不明确、1项低风险，核心是复合TCM证候标准可能包含或不明确独立于作为指数特征的舌象，造成潜在incorporation bias。指数试验域5项不明确、1项高，主要因舌诊评估者盲法未报告。患者选择2项低、3项不明确、1项高；流程和时机6项低；适用性关注均低。Track 2四项研究指数试验域均为高偏倚风险，主要因事后阈值优化、图像水平拆分或可能数据泄漏以及无外部验证；患者选择均不明确；参考标准3项低、1项不明确；流程和时机3项低、1项不明确。两项健康对照病例对照AI研究还有严重谱偏倚和适用性限制。
3.3 Exploratory diagnostic accuracy estimates of manual tongue diagnosis
风痰湿证：Greasy Coating簇（k = 4，N = 1,068）为唯一可做双变量模型者，合并敏感度0.83（95% CI 0.52—0.96）、特异度0.80（0.68—0.88）、探索性曲线下面积（AUC）0.86，PLR 4.1（2.5—6.8），NLR 0.21（0.06—0.71）；单变量汇总敏感度0.80（I
2 = 95.01%）、特异度0.79（I
2 = 80.53%）。Phlegm-Stasis Tongue簇（k = 3，N = 648）敏感度0.78、特异度0.79，PLR 3.8，NLR 0.20。气虚血瘀证：Deficient-Cold Tongue簇（k = 3，N = 1,513）敏感度0.74、特异度0.97，PLR 31.0（2.8—341.6），NLR 0.24；Qi-Deficiency Morphology簇（k = 3，N = 648）敏感度0.88、特异度0.81，PLR 7.4（0.76—71.7），NLR 0.24；Blood Stasis Tongue簇（k = 3，N = 678）敏感度0.24、特异度0.88，PLR 2.83（0.45—17.68），NLR 0.88，DOR 3.58，提示弱且不稳定的判别性能。痰热实火证：Heat Syndrome Tongue簇（k = 3，N = 566）敏感度0.74、特异度0.78，PLR 2.86，NLR 0.42。阴虚证：两个簇各k = 2、N = 478，因研究数不足未合并；Yin-Deficiency Coating原始敏感度0.67—1.00、特异度0.92—0.99；Yin-Deficiency Body敏感度0.60—0.78，两项研究特异度均1.00。由于参考标准独立性未保证，上述估计均解释为与当前复合证候分类流程的暂定一致性，而非独立诊断准确性。
3.4 Narrative synthesis of artificial intelligence-assisted models
四项AI研究方法异质。Cui等用计算机化RGB颜色提取，报告五种证候中颜色差异显著（P<0.05），但未预设诊断阈值或报告个体水平分类性能。Wang等用DenseNet201特征提取、特征选择和Cubic SVM进行八类证候区分，284名参与者和852张增强图像，准确率97.21%、F1 97.56%，最低证候准确率95.74%。Wang比较ResNet18和VGGNet16识别急性缺血性卒中气虚血瘀与健康对照，VGGNet16最佳，准确率90.67%、召回85.60%、特异度94.29%、F1 88.43%。Han比较ResNet18和VGG16识别急性脑梗死肝气郁结与健康对照，ResNet18最佳，准确率91.25%、召回86.76%、特异度94.13%、F1 88.60%。四项研究均无独立外部验证、校准评估、决策曲线分析，也无与独立TCM专家在同一临床任务下的头对头比较。两个2024年深度学习病例对照研究以健康志愿者为对照，存在严重谱偏倚和间接性。图像采集报告不一，患者水平拆分未明确报告，不能排除图像水平泄漏或伪重复。因此这些研究仅为早期概念验证。
3.5 Sensitivity analysis and illustrative post-test probability analysis
留一法显示若干簇对单研究效应敏感。血瘀舌簇排除Yi 2024后特异度增至0.98（95% CI 0.95—0.99），敏感度仍低，说明主要发现不稳定。Qi-Deficiency Morphology和Greasy Coating簇特异度在留一迭代中变化明显。logit转换分析与Freeman-Tukey分析点估计大体相似，但高异质性下CI仍宽。排除Gan 2018后Greasy Coating双变量模型未重新拟合，改用单变量检查。Fagan nomogram在50%验前概率下显示：Deficient-Cold Tongue簇（PLR 31.0）后验概率约97%，阴性路径（NLR 0.24）约19%；Greasy Coating簇（PLR 4.1）后验约80%，阴性路径（NLR 0.21）约18%。这些为说明性情景分析，不是临床效用证据。
3.6 Certainty of evidence and reporting bias
因所有诊断簇研究少于10项，未进行Deeks漏斗图不对称检验。不能排除偏向中文文献的语言偏倚。所有八个舌特征簇的证据确定性均为极低。偏倚风险降2级，主要因舌特征与复合参考标准独立性未保证，存在严重incorporation bias。间接性降1级，因所有研究均在中国大陆。不一致性降1—2级，多数簇I
2>80%。不精确性降1—2级，因CI宽和证据网络稀疏。两个Yin-Deficiency簇因仅2项研究，不一致性无法正式评估。
4 Discussion
4.1 Diagnostic asymmetry and the morphology–color gradient
六个定量舌特征簇的汇总敏感度0.24—0.88，特异度0.78—0.97，所有八个簇证据确定性极低。跨簇模式呈不对称性：部分舌特征显示探索性规则入潜力大于规则出，但不能解释为临床验证的诊断辅助。该综述为首次将正式GRADE-DTA用于卒中TCM证候舌诊评价。从13,895条记录到10项纳入研究的急剧衰减本身具有信息价值：卒中后舌诊文献数量多，但可诊断测试证据薄。Deficient-Cold Tongue簇特异度0.97、PLR 31.0，但PLR的CI为2.8—341.6，跨度超过两个数量级，敏感度仅0.74，不能作为可靠规则入特征。形态—颜色梯度可能反映测量属性或复合标准中的隐含权重，仍属假设。
4.2 Exploratory diagnostic value across specific syndrome clusters
气虚血瘀证两个簇提供互补但不确定的信息，均不支持稳定诊断结论。Deficient-Cold Tongue簇特异度和PLR点估计较高但CI极宽；Qi-Deficiency Morphology簇敏感度较高但特异度不确定，PLR含1。淡大齿痕舌可能与当前复合分类相关，但需独立于指数特征的参考过程验证。风痰湿证中Greasy Coating簇双变量敏感度0.83、特异度0.80，但仅4项研究，CI宽、异质性大、模型不稳定且可能有incorporation效应，未确立稳定诊断角色。血瘀舌簇判别弱且不稳，敏感度低、异质性高、似然比CI跨无效，留一法显示方向依赖研究构成，未来应按卒中病因和阶段分层。阴虚证仅2项研究，不能合并；个别高特异度不能视为稳定簇属性。Heat Syndrome Tongue簇PLR 2.86，仅提示有限增量信息，颜色主导特征单独不太可能为痰热证提供强规则入证据。
4.3 Incorporation bias and the limits of current evidence
尽管部分簇似然比数值显著，所有簇证据确定性极低，主要方法学威胁是参考标准域潜在incorporation bias。现有复合TCM证候标准包含或未明确排除作为指数特征的舌象，导致指数试验与参考标准非独立，敏感度和特异度可能被未知程度膨胀，且无Meta分析调整可恢复独立性。解决需使用独立于指数舌特征的参考过程：神经影像确认卒中亚型和临床特征，盲法TCM专家组用排除待评价特征的预定义标准裁定证候；或采用Bayesian latent class analysis。提取信息中未发现特征独立裁定程序，因此本综述合并估计应视为描述性、假设生成性总结。
4.4 Manual versus AI-assisted approaches and future directions
手动视觉评估临床可及并自然融入四诊框架，但易受观察者间视觉阈值变异影响；AI辅助模型可算法化应用阈值，但不能解决根本参考标准问题。若训练标签来自已包含舌象的复合TCM标准，AI可能更高效地复制同一incorporation标准，而非发现独立证候信号。四项Track 2研究均有严重方法学缺陷：谱偏倚、缺少独立外部验证、无校准或决策曲线分析，且未报告预测概率是否对应真实临床证候患病率。AI还面临硬件域偏移。未来最迫切需更好研究设计：独立证候裁定、前瞻多中心队列、真实证候患病率、按卒中亚型分层、同时报告校准和判别；AI需跨机构设备外部验证，采用患者水平拆分、预设证候标签、校准、决策曲线、人类比较和临床相关卒中证候对照。患者中心结局仍缺证据：未确立舌诊分类与死亡、90天改良Rankin量表（mRS）评分、卒中复发、早期神经恶化或功能恢复相关，也未确立指导治疗改善结局。
4.5 Strengths and limitations
优势包括：首次对卒中患者舌诊诊断准确性数据应用GRADE-DTA；双轨设计分别合成手动和AI研究；基于TCM病机的预定义临床聚类；重叠队列分析单位决策前瞻记录；统计模型选择层级优先双变量。局限：参考标准独立性不能保证，存在严重incorporation bias；所有研究在中国大陆，限制跨文化、临床和医疗系统泛化；不能排除语言偏倚；因各簇少于10项研究未做Deeks检验；两个Yin-Deficiency簇未合并；设计分层敏感性分析不可行；Greasy Coating双变量仅4项研究；Track 2 AI研究为小样本单中心，两项使用健康对照而非卒中证候对照。
5 Conclusion
该GRADE-DTA综述显示，大量舌诊文献中很少满足正式诊断准确性评价的最低要求。手动证据确定性极低，不支持稳定的簇特异性诊断结论；因参考标准独立性未保证，估计应解释为与现有证候分类流程的暂定一致性，而非独立证候真值的诊断准确性。这些发现未确立手动舌诊为临床验证或独立诊断工具，四项AI辅助研究仍处早期，缺少独立外部验证和校准评估。未来研究应采用前瞻多中心诊断准确性设计，独立证候裁定，透明图像采集方案，按卒中亚型分层，并跨设备、人群和医疗系统进行外部验证。
