Development and Application of Traditional Chinese Medicine Using AI Machine Learning and Deep Learning Strategies

人工智能 中医药 计算机科学 领域(数学) 深度学习 机器学习 医学 替代医学 病理 数学 纯数学
作者
Danping Pan,Yilei Guo,Yongfu Fan,Haitong Wan
出处
期刊:The American Journal of Chinese Medicine [World Scientific]
卷期号:52 (03): 605-623 被引量:1
标识
DOI:10.1142/s0192415x24500265
摘要

Traditional Chinese medicine (TCM) has been used for thousands of years and has been proven to be effective at treating many complicated illnesses with minimal side effects. The application and advancement of TCM are, however, constrained by the absence of objective measuring standards due to its relatively abstract diagnostic methods and syndrome differentiation theories. Ongoing developments in machine learning (ML) and deep learning (DL), specifically in computer vision (CV) and natural language processing (NLP), offer novel opportunities to modernize TCM by exploring the profound connotations of its theory. This review begins with an overview of the ML and DL methods employed in TCM; this is followed by practical instances of these applications. Furthermore, extensive discussions emphasize the mature integration of ML and DL in TCM, such as tongue diagnosis, pulse diagnosis, and syndrome differentiation treatment, highlighting their early successful application in the TCM field. Finally, this study validates the accomplishments and addresses the problems and challenges posed by the application and development of TCM powered by ML and DL. As ML and DL techniques continue to evolve, modern technology will spark new advances in TCM.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ddd发布了新的文献求助10
1秒前
诚心的金毛完成签到,获得积分10
1秒前
2秒前
土娃子完成签到,获得积分10
2秒前
zhangxr发布了新的文献求助10
3秒前
3秒前
ffffffff完成签到,获得积分20
3秒前
刘雷雷不爱读文献关注了科研通微信公众号
5秒前
xiaosi发布了新的文献求助10
5秒前
雨诺发布了新的文献求助10
5秒前
6秒前
酷波er应助12334采纳,获得10
6秒前
Charlie发布了新的文献求助10
6秒前
小二郎应助小远儿采纳,获得10
7秒前
薰硝壤应助小远儿采纳,获得10
7秒前
科研通AI2S应助知性的傲易采纳,获得10
8秒前
9秒前
天天快乐应助zhangxr采纳,获得10
9秒前
111发布了新的文献求助30
10秒前
可爱的函函应助簌落采纳,获得20
10秒前
研友_ED5GK应助吉吉采纳,获得10
10秒前
dxwy应助文娟Liu采纳,获得10
10秒前
10秒前
cookie11111发布了新的文献求助10
11秒前
乐观道之完成签到,获得积分10
12秒前
追寻天亦发布了新的文献求助20
12秒前
科研通AI2S应助ddd采纳,获得10
12秒前
12秒前
Akim应助iiianchen采纳,获得10
13秒前
研友_VZG7GZ应助樊珩采纳,获得10
14秒前
ffffffff发布了新的文献求助20
14秒前
狸花小喵发布了新的文献求助10
16秒前
毅青6796发布了新的文献求助10
16秒前
今后应助科研通管家采纳,获得10
17秒前
元谷雪应助科研通管家采纳,获得10
17秒前
SciGPT应助科研通管家采纳,获得30
17秒前
Wenpandaen应助科研通管家采纳,获得10
17秒前
不配.应助科研通管家采纳,获得20
17秒前
元谷雪应助科研通管家采纳,获得10
18秒前
可乐应助科研通管家采纳,获得200
18秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
XAFS for Everyone 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3145183
求助须知:如何正确求助?哪些是违规求助? 2796550
关于积分的说明 7820359
捐赠科研通 2452897
什么是DOI,文献DOI怎么找? 1305280
科研通“疑难数据库(出版商)”最低求助积分说明 627448
版权声明 601449