摘要：为了解决当前中医临床诊疗中过分重视个人经验、中药方剂种类繁多并且缺乏统一标准、基层中医医疗资源分配不合理、中医医生短缺等问题，我们设计一种结合中医药知识图谱以及深度学习舌象自动化识别技术来实现基于中药方剂智能推荐系统的研究方案。系统利用超过 2800 种传统中药方剂作为训练样本，从方名、药味、功能主治、病症等方面进行提取并整合，使用Neo4j 图数据库建立一个包含约3 万个节点和约11 万个边关系规模较大中医药物方剂知识图谱；同时使用 Faster R-CNN 目标检测模型对 3682 张临床收集舌苔图像进行训练及测试，完成舌质、舌苔、舌形等重要部位准确检测。在此基础上结合舌象诊断结果以及知识图谱中语义推理方式实现从舌象获取到舌象分析再到证型推断最后到处方推荐全过程自动化处理并利用 PyQt5 设计图形化用户操作界面使用户可以方便地上传自己的舌象照片进行自动诊断、查看相关处方以及保存结果等功能。由以上可知，提出的舌象识别模型在测试集中 mAP@0.5 为 0.906，系统可以基于用户的舌象特征以及症状提出针对性的中药方剂建议并且可以导出 Excel 文件。此方案有助于中医诊疗工作的电子化、规范化、精确化及智能化发展，对于促进中医药事业继承和发展以及中医药与现代信息技术相结合有着重要的理论意义和实际价值。

关键词：知识图谱；中医方剂；舌象识别；Faster R- CNN；智能推荐；Neo4j；基层医疗；中医药智能化

1 引言

中医药是中华民族数千年的宝贵财富，舌诊以及方剂的应用是中医临床诊治中最直观、最常用的技术方法，根据患者的舌象来分析其身体的气血阴阳变化及脏腑病变情况，再根据辨证的结果选择合适的药物组成方剂，这就是中医所说的“辨证施治、方证相对”。但是由于长期以来中医临床诊疗主要依靠个人经验，在实际工作中存在着诊断的标准难以统一、经验难于传授、诊断结果易受人为影响以及学习的门槛高问题等。

同时，我国基层医疗卫生机构存在中医资源匮乏、医生人数不足、年轻医生缺乏工作经验、医疗设备简陋等问题，在许多基层地区，广大人民群众无法享受到正规、便捷、规范化的中医医疗服务。因此，利用人工智能、大数据、知识图谱、深度学习等新技术优化中医诊疗过程，实现中医诊疗客观化、数字化和智能化是解决中医传承问题、提高基层医疗服务水平、促进健康中国建设的有效途径[2]。

知识图谱是一种结构化的语义知识库，可以以节点以及边的形式清晰表示实体之间的复杂联系，在知识组织、关联发现、智能推断以及可视化等方面有突出的优势，很适合用于表示中医药领域的多维、多层次、强关联的知识体系[1]。而深度学习的方法又使中医舌诊客观化成为可能，利用卷积神经网络等方法可以自动学习舌象图片中的深层次的信息，从而得到准确率高、速度快、标准性强的结果进行舌象分类及识别[14]，解决了传统中医舌诊需要依靠人眼主观判断，容易受到外界因素和个人经验的影响的问题。

近年来，对中医药知识图谱的研究、中医舌象智能识别以及中医辅助诊疗系统的研发方面做了大量工作。余艾铧利用知识图谱建立中医方剂的多任务推荐系统；刘嵘澂等提出一种改进DeepLabv3+的方法用于自然环境下的舌象分割[2]；童思木等人研制了一套基于机器人的中医智能辅助诊疗平台[1]。但目前大多数工作都只针对一个方面进行研究，比如只是做一个知识图谱，或者只是做舌象分割，或者只是做一个问诊系统，把舌象自动识别、证型推理以及方剂知识图谱端到端结合并应用于实际基层医疗中完整的智能诊疗系统还是很少见。

因此本文提出并实现基于知识图谱及 Faster R-CNN 舌苔诊断的中医方剂智能推荐系统，建立一套标准、透明、易用中医智能辅助诊疗工具，以期提高我国基层中医诊疗工作效率及规范化程度。

2 相关工作

2.1 中医药知识图谱研究

中医药知识图谱是以方剂、中药、症状、疾病、证型、功效、性味归经作为主要节点，基于节点之间的语义联系组成一个网状的知识结构，在方剂搜索、药对发现、诊疗规则学习、辅助诊断等方面得到应用。目前的研究工作大多集中在中医药本体构建、多种来源的数据整合、实体间的关系提取、知识保存及展示上。针对临床实际的推理方法、方证关联解析、与舌诊等客观诊断技术融合等方面仍有提升的空间。

2.2 中医舌象深度学习识别研究

中医舌象识别是中医望诊智能化的重要组成部分。近年来由于深度学习的发展，Faster R-CNN、Transformer 等被大量地用于舌体分割、舌色识别、苔色判断以及点刺瘀点检测等方面的研究并取得良好效果[2][3]。但是目前的方法还存在许多问题例如在自然环境中拍摄的照片受到各种干扰较多、标注的数据集较小、模型泛化性差、不能为临床提供有效的中药处方[4]。

2.3 医疗领域智能推荐系统

医疗推荐系统注重安全、可解释性和专业性。基于知识图谱推荐的方式可以使用实体之间的关系来进行显式的推理，更符合中医的思维方式，也是中医药智能化推荐的主要发展方向。

3 理论基础与数据准备

3.1 中医理论基础

本课题组充分考虑中医“辨证施治、审证求因、方证相对应”的原则。舌乃心之苗窍，又是脾胃之外候，人体脏腑气血的变化均可在舌上有所表现，所以通过观察舌象可以基本判断患者的证型，例如舌质淡白一般属于气血不足，而舌苔黄腻则提示有湿热。舌象—证型—药物之间有着必然的关系，这也是我们进行智能化推荐的基础。

3.2 技术基础

系统主要依托三大技术体系：

（1）知识图谱相关技术：如实体提取、关系提取、属性提取、知识融合、实体链接、图数据库存储、Cypher 查询以及可视化展示等[1]。

（2）深度学习方法：基于Faster R-CNN， 包括特征提取网络、区域候选网络、感兴趣区域池化、边界框回归以及分类。

（3）前端交互技术：使用 PyQt5 创建可视化窗口，在此进行图片上传、加载模型、显示相关信息以及保存结果等操作。

3.3 数据集构建

本论文采用两种主要的数据，在项目中收集、整理而来，如表一所示。

表 1 项目数据集规模

4 系统整体架构

系统分为四层：

数据层：包括方剂数据、舌象图像、中医典籍、临床医案等；

知识层：对数据进行处理，构建知识图谱，完成实体与关系存储；

模型层：运行舌象识别模型，进行证型推导与方剂推荐推理；

应用层：提供操作界面，实现舌象上传、识别、推荐、导出等功能。

系统整体流程：

上传舌苔照片→自动识别舌象→输入症状→知识图谱进行推导查找对应方剂→结果导出保存。

5 系统设计与实现方法

5.1 中医方剂知识图谱构建构建步骤如下：

（1）数据采集与规范化：收集并汇总方剂、中药、病症及证型等相关内容，使其格式一致。（2）知识抽取：抽取实体（方剂、中药、症状等）以及它们之间的联系（组成、主治、对应等）。

（3）知识融合：对重复、歧义内容进行合并与修正；

（4）存储与可视化：Neo4j 图数据库进行保存以及可视化展示和查询。

5.2 基于 Faster R‑ CNN 的舌象识别

模型以 SGD 为优化器，最大迭代次数 60000，舌象类别数 38 类，采用单 GPU 加速训练。模型先对舌象图像进行特征提取，再通过区域候选网络定位关键区域，最终输出舌象类别、舌质、舌苔等识别结果。

5.3 融合舌象的方剂推荐算法

实现步骤：

将舌象识别结果映射为中医证型；

根据证型与症状，在知识图谱中检索匹配方剂按匹配程度排序，输出推荐结果；

支持将结果导出为 Excel 文件保存。

6 实验结果与分析

6.1 知识图谱构建结果

本研究完成大规模中医方剂知识图谱构建，通过 Neo4j 实现中医药知识结构化存储、管理与展示，清晰呈现方剂、中药、症状、证型等实体间的关联关系。

6.2 舌象识别实验结果

在测试集上对模型进行评测，在不同的迭代次数下得到的结果见表 2。

表 2 不同迭代次数下模型 mAP 结果

由表可知，在迭代次数为 50000 时，mAP@0.5 取得最大值 0.909，在 60000 时略有下降但仍超过 0.906。模型已基本掌握舌象信息，有较高准确率，可应用于中医辅助舌诊。

6.3 方剂推荐结果与系统展示

系统可实现舌象输入后自动方剂推荐，界面简洁、操作方便，推荐结果符合中医方证对应原则。

7 讨论

7.1 研究结果分析

本文主要针对中医舌诊客观化及方剂智能推荐工作进行探索，开发出一个可以运用的实际辅助诊疗系统。通过测试发现，我们提出的 Faster R-CNN 对舌象具有良好的识别效果，在舌象识别上 mAP@0.5 为 0.906，可以较好地区分一般舌象；另外基于 Neo4j 的中医药方剂的知识图谱可以将方剂、中药、症状、证型等实体之间关系清晰地呈现出来，便于理解推荐的过程，也遵循了中医“辨证施治、方证相对”的思想。

相比于传统的依靠医生个人经验进行诊断的方法，本系统利用规范化流程降低主观性的影响，在使用上简便快捷，更有利于一线医务人员使用查询及借鉴。从实用的角度出发，该系统的页面直观易懂，功能齐全，可以实现上传舌像、自动识别、录入症状、给出药方建议以及保存等功能，具有一定的应用前景。

7.2 系统创新与优势

第一，本系统将深度学习舌象识别与知识图谱推理相结合，实现从“舌象特征”到“推荐方剂”的一条路径，不同于以往单纯的识别或者检索工作;第二，系统的数据比较严谨，以经典方剂文献以及临床上采集舌象作为基础，保证知识的真实性；第三，整个系统简单易用，不需要复杂的环境就可以运行，在一些基层医院、教学场所等非专业的环境中也能够很好的应用；第四，推荐的结果是可追踪、可解释的，每一个方剂的推荐都与舌象特征以及证型有关，方便医生理解并选择。

7.3 存在的不足

本研究也尚有不足之处。一是舌象数据集较小，缺乏部分证型以及一些较为复杂的舌象，容易导致模型不能很好地适应现实中的各种情况；二是系统只能提供方剂建议，无法根据患者的体质、年龄、病史等因素来进行剂量的调整或者禁忌症的提醒，实用价值有待提高；三是在实验室环境中进行测试，未经过大规模、多中心的临床试验，对临床应用的效果还需要进一步考察。

7.4 未来改进方向

后续可以从以下三方面进一步优化：一是在舌象以及对应方剂上增加数量，收集更多病例以提高准确率及适用性；二是增加用药安全相关提醒，如配伍禁忌、用量建议以及针对某些患者的注意事项等；三是改善用户体验，在手机端或者网页端开发应用供乡村医生以及社区卫生服务中心工作人员使用。

8 结论

本文开发一种基于知识图谱以及Faster R-CNN 的舌苔诊断中医方剂智能推荐系统。该系统利用超过 2，800 个方剂及 3，682 张舌片照片建立大规模中医药知识图谱，在此基础上进行高精度舌片检测以及根据舌象及病症给出相应方剂建议。

该系统很好地促进中医诊疗规范化、客观化及智能化发展，在使用上简便易行并且实用，可解决基层中医不足问题，对于推进中医药现代化、智能化具有一定的借鉴作用。

致谢

本课题获得湖南省大学生创新创业训练计划项目（项目编号：3419）支持，在此对指导老师胡洁、潘梅森表示衷心感谢，在此期间他们对我进行悉心指导。同时也非常感谢计算机与电气工程学院、医学院提供实验室资源以及数据集。同时也要感谢团队成员唐琪、罗冰艳同学在知识图谱构建、模型训练、界面制作等方面所付出辛勤劳动。

参考文献

[1] 童思木、吉珂、过祯、刘鹏程、翁新锋。一种以机器人作为载体的中医智能化辅助诊疗平台的研究与应用[J].中国医药导刊，2026，28（02）：239-244.

[2] 刘嵘澂，辛国江，张杨，朱磊。基于改进的 DeepLabv3 + 模型的自然环境下舌象分割方法 [J]. 计算机与现代化，2025 （10）：32-36+43.

[3] 高宏斌。基于深度学习的舌象研究及辅助舌诊系统开发 [D]. 兰州：兰州大学，2025.

[4] Yan T，Wang X，Guo S，et al.An improved lightweight tongue image semantic se gmentation model based on DeepLabV3+[J].Biomedical Signal Processing and Control， 2025，109.