综述：利用人工智能赋能传统中医：在质量控制、治疗应用和产业化方面的创新

《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》：Empowering Traditional Chinese Medicine with Artificial Intelligence: Innovations in Quality Control, Therapeutic Applications, and Industrialization

中医现代化面临质量控制和疗效验证的瓶颈，通过分析116篇高影响力研究（2010-2025），提出从浅层学习转向认知推理的战略转型，利用LLM和XAI整合多模态数据（如HPLC、SERS）与“医食同源”理论，构建机制解释的精准治疗范式，并制定AIoT驱动的质量设计路线图。

　　

黄玉凡|霍佩琼|范文娇|王建满|徐晓晓|卢星|何瑶

澳门科技大学医学院，中国澳门特别行政区塔ipa 999078

摘要

由于中药（TCM）的成分复杂以及传统的评价方法具有主观性，其在质量控制和疗效验证方面面临着严峻的瓶颈。通过对比分析2010年至2025年间发表的116篇高影响力研究，本文强调了从浅层学习模式识别向认知知识推理的战略转变，这一转变得益于大型语言模型（LLMs）和可解释人工智能（XAI）的技术支持。尽管深度学习架构在高效液相色谱（HPLC）和表面增强拉曼光谱（SERS）等检测方法中能够实现高达100%的准确率，但认知智能对于解读中药的非线性药理网络仍然至关重要。通过将“药食同源”理论与多模态数据融合相结合，本文揭示了从经验性实践向基于机制解释的精准治疗方式的范式转变。最终，本研究为基于AIoT的质量设计提供了技术路线图，为协调国际标准并加速中药产业的全球化发展提供了系统的蓝图。

引言

中药是一种宝贵的文化遗产，它是经过两千多年临床实践和理论积累发展起来的，具有深远的历史和医学意义[1]。中药中含有许多天然活性化合物，如茶多酚[2]、茶多糖（TPS）[3]、皂苷[4]和黄酮类化合物[5]等。这些生物活性成分共同作用，有助于预防慢性疾病、调节亚健康状态[6]以及治疗骨感染等复杂病症[7]。中药的独特之处在于其整体性的治疗理念，它将天然药物资源与个性化的治疗框架和预防性健康策略相结合。例如，“防病于未然”的中医理念与现代预防医学非常接近；而“药食同源”的概念通过功能性食品和草药制剂在全球健康市场中产生了越来越大的影响[8]。世界卫生组织指出，全球80%的人口依赖传统医学进行基本医疗保健，尤其是基于中药的天然健康产品已成为全球健康产业中增长最快的领域之一[9]。然而，中药产业的现代化和国际化过程中存在一些基本问题，这些问题损害了其可信度、可扩展性和科学认可度。首先，中药材料的流通存在质量和安全风险，例如某些稀有草药（如Ritillariae cirrhosae）经常被伪造，因为缺乏快速且客观的鉴定方法[10]；传统的质量控制方法依赖人工经验，例如对药材切片的微观鉴定完全依赖于主观判断[11]，导致结果不一致。在茶叶质量检测中，农药残留量常常超过国际标准；常规的物理化学检测方法耗时较长且使用有毒试剂，无法满足大规模生产和分配中的实时监测需求[11]。其次，中药系统产生的高维多样数据难以测量和整合，中药材料来自植物[12]、动物[13]和矿物[14]，其协同作用形成了非线性的药理网络。复合制剂和中药配方的研发仍依赖于“经验传承”，关于“成分-药理作用”之间关系的定量研究非常有限[15]。此外，缺乏跨领域标准进一步加剧了这种复杂性。中药化合物和中药的研发大多采用传统方法，缺乏现代药理学和定量分析，其作用机制也不明确，难以通过循证方法验证其有效性[15]。

当前的科学技术革命，尤其是人工智能（AI）的兴起，为解决这些问题提供了新的途径。机器学习（ML）和深度学习（DL）等AI技术在解决中药的关键挑战方面具有明显优势：ML算法可以从近红外光谱（NIRS）和表面增强拉曼光谱（SERS）等噪声光谱数据中提取隐藏特征，而DL模型擅长分析药材图像等非结构化信息，从而克服了传统人工分析的局限性。基于AI的检测模型减少了人为误差，并建立了标准化的质量评估标准[16]；自然语言处理（NLP）可以将传统诊断描述转化为结构化数据，使中医证型区分更加规范[17]；AI还能通过分析临床记录中的“症状-处方”关联实现个性化治疗，并通过预测活性成分的相互作用加速药物研发[18]。现有研究为AI与中药的结合奠定了基础，例如利用机器学习研究中药化合物和茶叶成分的协同作用[18]，基于卷积神经网络（CNN）的图像识别模型用于鉴定中药材料的真实性[19]，以及结合区块链和AI的混合系统用于全产业链的质量控制追溯[20]。然而，这些研究仍相对独立，如NIRS和激光诱导击穿光谱（LIBS）等质量检测技术很少与治疗应用模型结合，数据科学、药理学和中医临床实践等领域之间的跨学科合作也不足。数据标准不一致、模型可解释性有限以及监管政策不同等问题限制了这些技术的大规模应用[21]。

鉴于这些挑战，本文旨在探讨AI驱动的中药创新进展、面临的挑战及未来发展方向，重点关注AI在中药质量检测和治疗实践中的应用，分析涵盖成分分析、质量控制、精准诊断和治疗等方面的跨学科整合路径。同时，本文将指出数据标准化和AI模型可解释性不足等核心瓶颈，并提出多模态数据融合和边缘计算等未来方向，为中药理论的现代化科学解释提供理论支持，推动中药产业向标准化、智能化和国际化转型。

为确保方法论的透明度和系统性，我们在Web of Science Core Collection、PubMed和Engineering Village数据库中检索了2010年至2025年间发表的相关文献，检索策略使用了关键词组合：("Artificial Intelligence" OR "Machine Learning") AND "Traditional Chinese Medicine" AND ("Quality Control" OR "Therapeutics" OR "Industrialization")。经过初步筛选后，进行了三阶段审查：（1）去除重复文献和标题/摘要审核；（2）评估AI-TCM整合方法论的严谨性；（3）根据外部验证或工业试点数据对研究进行证据质量评估。排除了缺乏明确中药成分考虑的通用AI应用研究，以保持研究范围的专业性。最终筛选出116篇高影响力研究，构建了基于证据的分析框架。虽然以往的叙述性综述多关注实验室规模的检测，但本文首次将研究范围扩展到大规模产业化应用，并结合了2024年至2026年间大型语言模型（LLMs）在配方优化方面的最新进展（表1）。

中药的成分与健康益处

作为中药的核心载体，中药材料具有复杂的化学组成，涵盖多种来源[23]。深入分析中药的成分、作用机制和质量控制逻辑是传承传统医学的基础，也是推动其与现代科学和技术融合创新的关键[24]。中药的化学成分包括来自植物[12]、动物[13]和矿物[14]的多种物质。

AI技术概述

在中药产业的现代化进程中，AI发挥着越来越重要的作用。AI在数据处理、模式识别和决策支持方面具有优势，为解决传统质量检测的主观性和低效率问题提供了新方法[43]。AI通过计算机系统模拟人类的智能行为，执行数据处理、模式识别和决策支持等核心功能[44]，其根本目标是让机器自主学习并解决复杂问题。

AI驱动的中药治疗创新

AI和机器学习正在改变中药的治疗和研究方式，它们整合了多种数据，分析复杂机制，模仿临床决策过程，使中药更加精准、现代化和可持续[88]。

人工智能在中药产业中的应用

AI为中药产业带来了重大变革，在许多领域发挥着关键作用。

跨领域整合的关键挑战与未来趋势

当前是AI与中药结合的重要转折点，正从技术突破向实际临床应用迈进。虽然存在数据标准、模型在新数据上的适用性以及伦理规范等关键问题，但也存在整合不同类型数据、利用边缘计算和建立标准体系等巨大机遇。

结论

本文详细探讨了AI在中药领域的应用方式，包括机器学习和深度学习与先进光谱及成像工具的结合。由此构建了一个强大的技术体系，从分子层面到临床应用，推动中药从经验驱动向数据驱动的模型转变，赋予“药食同源”等传统概念以现代科学意义。

为了客观评估当前情况，

作者贡献声明

何瑶：撰写、审稿与编辑、验证、软件开发、资源管理、项目协调、概念构思。王建满：撰写初稿、数据整理、概念构思。范文娇：撰写初稿、方法设计、数据整理。卢星：审稿与编辑、验证、资源管理、调查、概念构思。徐晓晓：撰写初稿、方法设计、数据整理。黄玉凡：审稿与编辑。

利益冲突声明

作者声明不存在任何可能影响本研究结果的利益冲突。

生成式AI使用声明

作者仅使用ChatGPT（OpenAI）进行语言编辑和文本润色。使用该工具后，作者对内容进行了必要的审查和修改，并对稿件的完整性和准确性承担全部责任。

利益冲突声明

作者声明不存在任何可能影响本研究结果的财务利益冲突或个人关系。

致谢

我们感谢以下机构的财政支持：国家重点研发计划（项目编号2023YFB3208200）、国家自然科学基金（项目编号22393932和T2321005）、澳门特别行政区科学技术发展基金（项目编号0002/2022/AKP、0115/2023/RIA2）、中国博士后科学基金（项目编号2024M762281）、中国博士后奖学金计划（项目编号GZC20250679）以及江苏省的相关资助项目。