在中医理论中，“药食同源”是一个源远流长的理念，指的是许多食材兼具药用价值，既能滋养身体，又能调理疾病。近年来，随着人工智能技术的飞速发展，这一传统智慧正与前沿科技碰撞出新的火花。今天我们要介绍的，正是一项融合大型语言模型与中医食疗知识的最新研究成果——TCM-DS模型，它不仅是中医领域首个专注于“药食同源”处方的智能推荐系统，更在精准度上达到了令人瞩目的高度。
从“治未病”到“智能荐方”
中医强调“治未病”，而食疗正是其中重要一环。相比传统药物，食疗方副作用小、患者依从性高，尤其适合慢性病防治与健康管理。然而，传统的中医处方推荐高度依赖医师经验，难以规模化推广。尽管已有不少研究尝试将AI引入中医处方生成，但它们多聚焦于传统药方，缺乏针对“食疗方”的专门优化。
近年来，大语言模型在医疗领域展现出强大潜力。DeepSeek 作为一款开源模型，以其成本低、可本地部署、数据隐私性高等优势，成为医学研究的理想选择。然而，如何让它“更懂中医”？这正是TCM-DS团队要解决的核心问题。
图：基于适配器的微调框架
数据为本，技术为翼
研究团队首先系统整理了国家卫健委与国家市场监管总局发布的“既是食品又是中药材”的物质清单，共426种。在此基础上，他们从经典医籍中筛选出288个食疗方，涵盖484种症状，并由执业中医师根据“王琦九种体质分类法”进行标注，构建出一个结构完整、临床可信的数据集。
在模型构建上，TCM-DS采用双轮驱动策略：
- LoRA微调：通过在DeepSeek-7B模型中注入低秩适配模块，实现参数高效更新，显著降低训练成本，同时提升模型对症状-方剂映射关系的理解。
- RAG增强检索：将食疗方数据库构建为可检索的向量库，在用户输入症状时，动态匹配最相关的方剂信息，增强推荐的合理性与可解释性。
更值得一提的是，模型创新性地将体质辨识纳入推荐流程。用户通过结构化问卷输入症状后，系统会先判断其体质类型（如阳虚、阴虚、痰湿等），再结合症状综合推荐方剂，真正实现“同病异治、因人制宜”。
图：用于中药复方推荐的RAG增强型推理框架（应用于TCM-DS模型）
精准推荐，稳健表现
在模型选择阶段，DeepSeek-7B在多个开源模型中脱颖而出，精准度达0.3848，且具备商用友好许可与良好的LoRA兼容性。
随后的消融实验进一步验证了技术的有效性：
- 基础模型：精准度 0.3848
- 仅LoRA微调：提升至 0.6711
- 仅RAG模块：进一步提升至 0.9082
- LoRA + RAG 结合（TCM-DS）：精准度高达 0.9924
在与通用大语言模型的对比中，TCM-DS同样表现优异。无论是症状正向输入还是反向输入，其精准度均稳居首位（0.9924 / 0.9702），展现出强大的鲁棒性。而ChatGPT-4o、DeepSeek-R1-671B等模型虽表现不俗，但在症状顺序变化时稳定性较差。
图：TCM-DS 平台的界面与详细信息
从模型到平台，从算法到体验
基于TCM-DS模型，团队开发了一款用户友好的食疗推荐平台。用户只需在界面中选择自身症状，系统便会自动分析其体质，并推荐三种优先级不同的食疗方。例如，对于“黑眼圈明显、怕冷、腹胀、身体沉重”等症状，系统判断为“阳虚体质”，优先推荐“养正草本饮”，同时提供其他备选方案。这种设计既保证了推荐的科学性，又保留了用户选择的灵活性，是AI技术与中医临床思维深度融合的典范。
综上，TCM-DS模型的问世，不仅是AI在中医“药食同源”领域的一次重要落地，更是传统医学与现代科技融合的典范。它用数据驱动的方法，将中医的“辨证论治”与“体质调理”理念转化为可计算、可推广的智能服务。未来，随着更多症状、体质与方剂数据的纳入，以及多模态诊断技术的融合，中医智能诊疗有望走进更多家庭，成为每个人触手可及的“AI中医师”。
原始出处
Li, X., He, H., Lu, G. et al. TCM-DS: a large language model for intelligent traditional Chinese medicine edible herbal formulas recommendations. Chin Med 20, 191 (2025). https://doi.org/10.1186/s13020-025-01249-0
本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。
