數據融合技術在中藥分析領域中的應用進展

趙 倩，繆培琪，李小莉，于 洋，劉長青?，李 正,5?

1. 天津中醫藥大學中藥制藥工程學院，天津 301617

2. 組分中藥國家重點實驗室，天津 301617

3. 天津現代創新中藥科技有限公司，天津 300380

4. 國家地方共建現代中藥創新中心，天津 300392

5. 天津現代中醫藥海河實驗室，天津 301617

中藥成分復雜、基體元素多樣的特點導致了中藥產品質量可控性較差的問題[1]。依照《藥品生產質量管理規范》中對藥品質量提出的要求，需要對中藥生產過程中的每個環節進行嚴格的質量檢測與控制以保證最終中藥產品的質量均一性。因此，加強從原料采集、中藥生產加工過程及終產品生成這3 個大環節的質量檢測和控制是保障中藥產品質量的關鍵手段。

目前大多數的中藥質量檢測方法多針對分析需求，選擇單一數據源的檢測結果進行分析。但由于檢測過程中存在其他因素的干擾，導致依據片面的中藥信息進行分析檢測的精度較低[2-3]。因此需要從宏觀整體的檢測角度上進行中藥質量的檢測與評價以實現中藥產品質量的精準控制[4-6]。為此，研究學者們提出一種可以結合多種信息用作整體分析的技術——數據融合。數據融合是近些年分析化學領域內逐漸發展起來的一種分析技術，通過將多種傳感器檢測信息進行互補來滿足精準全面檢測的要求[7-8]。無論是通過多數據源檢測彌補單一數據源的檢測精度，還是將不同原理分析儀器的檢測信息進行融合達到整體質量評價的目的，數據融合技術相比傳統的單一檢測分析技術都具有應用優勢。目前，數據融合已經廣泛應用于礦業[9-11]、航空[12-13]、食品[14-15]、農業[16]等領域的檢測分析領域，面對高精度的目標檢測需求，數據融合技術的應用取得了良好的效果。在現代中藥各個生產環節中運用數據融合，同樣對于實現中藥全面精確的檢測效果具有重要的意義。

隨著數據融合技術的不斷發展，越來越多的研究者開始嘗試將不同檢測儀器獲取的數據信息進行融合，其中以指紋圖譜信息融合在中藥分析領域中的應用最為廣泛[17-20]。通過融合不同檢測原理的光譜儀器獲取相應的指紋圖譜數據信息，結合化學計量學進行分析，實現多源信息的融合，達到中藥質量整體檢測與評價的目的。目前，研究者主要就中藥原料檢測、中藥生產過程的實時檢測分析及中藥產品的質量評價，對數據融合在中藥檢測分析領域中的應用進行研究。相關研究成果表明數據融合在產地鑒別、偽劣品鑒定、藥材品質評價、中藥生產過程質量評價、中藥制藥過程在線質量控制、中藥制劑和產品包裝質量檢測等方面具有應用優勢和潛力。因此，本文擬對目前數據融合技術在中藥檢測領域中的研究現狀進行綜述，并就如何在中藥生產加工全過程中充分應用展開討論，為數據融合技術在中藥分析領域中的深入應用提供指導和參考。

1 數據融合技術

數據融合技術主要是通過將多個數據源獲取的數據與來自相關數據庫的信息進行結合，以獲得對于檢測目標而言質量更高或更相關的數據信息。它的獨特之處在于其數據可從不同分析技術中獨立生成，然后組合用于模型的建立及結果的計算和預測。與單個數據源相比，它可以實現更高的精度和更具體的分析判斷[21]。因此，數據融合往往被用于建立高精度和高穩定性的預測模型以滿足研究人員的檢測需求，完成更準確的數據信息分析[22]。如圖1 所示，數據融合可根據不同信息源的融合級別分為低級、中級和高級數據融合3 類[23]。

圖1 不同層次數據融合的實現結構Fig. 1 Implementation structure for different levels of data fusion

其中，低級數據融合是簡單的數據層融合，通過將來自不同數據源的全部信息通過首尾相連的方式直接串聯。然而研究學者發現這種融合方式常常會把一些冗雜的數據也應用到后續建模過程中，使數據處理的工作量變大[24]，故而常補充采用中級融合以達到精簡模型的目的。

中級數據融合是分別從每個數據源中通過特定的分析方法提取相關特征，然后將它們組合成新的特征數據矩陣，因此又稱為特征層融合。這一融合方式成功實現了數據的降維，突出了有效信息，有利于快速建模，在多數情況下相比低級數據融合效果較好。但是由于數據量的減少，它所構建的模型在精度上往往會受到一定的影響，因此高級數據融合往往被應用于建立更高精度的模型[25]。

高級數據融合又稱決策層融合，基于不同分析儀器數據所構建的分析模型，此融合以一定的方法對其分別賦予不同的權重，從而構建出一種新的決策方式來實現建模分析。因此高級數據融合往往具有高靈活性和強包容性，在簡化模型的同時能夠取得高精度的檢測結果。然而合適的決策方法探索相對比較困難，所以高級數據融合的應用相比于低級和中級數據融合較為復雜[26]。

近年來，數據融合技術憑借其可以組合多個傳感器信息進行更加準確全面的檢測優勢得到了不同領域研究人員的青睞。多個檢測領域的研究結果表明相比較單個數據源建立的檢測模型而言，經過數據融合技術建立的模型體現出更強的檢測精度和實用性[27-32]。

中藥的成分復雜，其化合物種類和含量變化都會影響產品質量。但是中藥質量檢測中多以單一儀器的檢測結果進行質量評價，導致存在分析精度較低的檢測缺陷，需要應用數據融合技術對中藥樣本的信息進行深度挖掘。通過將生產過程中工藝參數、物料屬性、多傳感器中檢測出的中藥化學信息等進行數據融合，實現生產過程重要環節的準確檢測。

2 數據融合用于精準管控中藥原料質量

中藥原料的優劣直接影響中成藥產品質量。中國食品藥品監督管理局2018 年發布的最新傳統藥物開發指南鼓勵藥材同質化，以確保最終制劑質量的穩定性。原料藥材的品質通常受原藥材品種、采收、產地、部位等多種因素的影響[33]。其中，藥材品種和產地通常是影響中藥原料質量的2 個重要因素。近年來，已有研究人員就中藥原料的產地鑒別、偽劣品鑒定、品質評價3 方面進行了數據融合檢測的相關研究，為數據融合與中藥后續生產結合奠定了基礎。

2.1 產地鑒別

產地鑒別有助于篩選出符合國家相關標準要求的道地藥材。這類藥材由于特定舒適的生長環境通常具有比其他產地同種藥材更好的品質和藥效，為中藥原料的質量控制提供了更便捷的選擇方案。研究者可以通過數據融合技術彌補單一檢測技術信息不足的缺陷實現精準產地判別。

吳雪梅[34]利用紫外可見光譜、衰減全反射傅里葉變換紅外光譜和超高效液相色譜，采用低級、中級和高級數據融合結合化學計量學建模實現了177份不同產地的野生滇重樓的來源鑒別，主要涉及的數據處理分析軟件為OMNIC 8.2、UVProbe 2.34 及SIMAC-P+13.0。其中低級數據融合的數據矩陣為紫外可見光譜、衰減全反射傅里葉變換紅外光譜數據預處理后直接串聯；中級數據融合的數據矩陣為采用主成分分析分別提取兩光譜特征變量后組合的新矩陣；高級數據融合先分別建立紫外可見光譜和衰減全反射傅里葉變換紅外光譜的隨機森林分類模型，再根據模糊集合理論的決策方法對分類結果進行融合得到決策層融合結果。通過比較單光譜、數據融合建立的產地識別模型結果可知高級數據融合模型的效果最佳，預測正確率高達98%。同樣，Pei等[35]采用傅里葉變換中紅外光譜和近紅外光譜結合低級、中級、高級數據融合，基于OMNIC 9.7.7、SIMAC-P+13.0、MATLAB R2017a 和RStudio 3.5.2軟件進行數據處理和建模分析，通過建立偏最小二乘判別分析和隨機森林分類模型成功實現了196 種野生重樓的地理溯源，其中由主成分特征變量提取的高級數據融合建立的模型產地識別準確率為100%，證明這2 種光譜融合用于野生云南重樓精準產地溯源的可行性。

此外，還有一些其他學者在茯苓[36]、三七[37]、杜仲葉[38]、牛肝菌[39]等中藥材上成功應用數據融合實現了產地鑒別。除了應用各種光譜、色譜信息，圖像特征信息亦被用于產地鑒別的信息補充。殷文俊等[40]基于高光譜成像技術在可見-近紅外波段和短波紅外波段中提取光譜和圖像特征，從可見近紅外-短波紅外、光譜-圖像和全數據3 個維度上進行數據融合，通過采用HIS Analyzer、ENVI 5.3、MATLAB 2017a 和Spyder（Python 3.7）4 個軟件進行數據校正與分析處理，建立了不同產地甘草藥材的分類預測模型，結果表明不同維度的數據融合模型增強了單數據源模型的分類性能。以上研究證明了數據融合相對單個檢測源數據分析可以取得更好的中藥產地鑒別結果，但是大量的分析軟件的應用往往會造成數據融合分析流程繁瑣，在某一數據處理軟件中實現完整數據融合分析流程，通過精簡分析過程將會進一步促進數據融合技術在中藥分析領域中的實際應用。

2.2 偽劣品鑒定

偽劣品鑒定也是數據融合技術應用在中藥原料檢測上的重要組成部分，常見為重量摻偽、形似摻偽、染色摻偽、純加工品摻偽、非藥用部位摻偽等。通過數據融合進行中藥材的偽劣品鑒定，可為原料藥材提供質量保障。Yang 等[41]利用不同等級三七摻雜樣本的近紅外和中紅外光譜進行低級、中級、高級數據融合構建了不同混合比例的三七分類模型。主要分析軟件Unscrambler 10.4、OriginPro 9.0 和MATLAB 2018a 的數據分析結果顯示，與單光譜分析結果相比，數據融合技術的應用成功提高了三七粉中摻假物的識別能力。其中低級數據融合效果不理想，考慮到可能是原始信息中包含大量的干擾和無用信息，利用高級數據融合建立的隨機森林特征變量選擇模型在精簡模型的同時取得了最好的分類結果。此外，在加工品摻偽中最常見的為直接偽造真品。這種偽品與真品相似，通常需要專業的技術人員才能夠進行辨別。如用新疆蟲草代替冬蟲夏草、用紅花代替西紅花、用桔梗根代替人參及用羊角藤代替巴戟天等。孫飛等[19]通過近紅外和中紅外光譜技術，基于SIMCA-P11.5 和Unscrambler 7.0 軟件進行數據處理，采用單一光譜數據和中級數據融合分別建立起姜半夏和偽品姜虎掌南星的偏最小二乘判別分析模型，結果顯示采用單一近紅外或中紅外建立的檢測模型分類準確率分別為84.62%、92.41%，而采用數據融合進行建模的準確率為100%，且樣品在模型的空間分布呈現明顯的分類聚集狀態。這一結果表明數據融合后模型性能均優于單一光譜，證明近紅外和中紅外的信息互補可以提高姜半夏的真偽鑒定結果。綜上，數據融合可以顯著提高中藥材偽劣品的鑒別準確率，但目前采用近紅外儀器進行數據融合技術鑒定中藥真偽的應用較多，缺乏其他不同原理檢測信息源的數據融合分析，從擴充數據源的角度入手可以進一步實現數據融合對中藥真偽全面精準的鑒別分析。

2.3 藥材品質評價

藥材品質評價也可以通過數據融合技術得以實現。當選用原料藥材進行中藥產品的制備時，通常需要根據《中國藥典》2020 年版[42]進行相關有效成分的含量檢測以控制原料藥材的質量。這一環節中通常會涉及多種儀器進行檢測，依據數據融合技術實現全面檢測通常可以取得良好的品質判斷效果。楊海玲[43]以不同等級的川芎作為研究對象，基于感官評價、頂空氣相色譜-質譜聯用與近紅外的檢測數據，從氣味、顏色、化學成分上進行綜合分析，結合化學計量學建立不同質量等級的川芎識別模型。經過SPSS 21.0、OMNIC 9.7.7、SIMCA-P 14.1.0、MATLAB 2016a 和Python 3.7.3 軟件處理的數據分析結果表明基于極限學習機算法建立的分類模型可以很好地區分不同等級的川芎。毛勝楠[44]通過將高效液相色譜法測定的余甘子中沒食子酸等多種有效成分的信息與傅里葉變換近紅外光譜采集的余甘子整體的化學指紋圖譜進行融合，基于OMNIC 和SMICA-P 13.0 數據分析軟件，通過結合多部分變量特征建立偏最小二乘判別分析算法模型和t-分布鄰域嵌入算法模型，成功鑒別了不同儲藏年份不同品質的余甘子，相比單一的傅里葉變換近紅外鑒別模型，融合模型的分類準確率由89.8%提升至100%。證明數據融合用于增強不同儲藏年限余甘子分類的有效性。Qi 等[45]基于高效液相色譜獲得的定量和定性代謝譜結合傅里葉變換近紅外和傅里葉變換中紅外評估不同產地黃連的質量。研究中，基于高效液相色譜測定的8 種生物堿，篩選出可作為黃連品質鑒定的指標化合物，參考指標化合物含量數據建立單一技術模型和光譜融合模型。結果表明將光譜技術數據融合后結合偏最小二乘回歸算法可以有效確定指標化合物含量，取得更好的預測結果，融合技術可以為黃連提供更全面有效的質量評估。由此可見，數據融合技術可以通過融合不同檢測儀器的檢測信息，多角度全方面了解中藥樣本信息，精準評價中藥品質。此外，以上研究中多采用傳統的偏最小二乘算法建立融合分析模型，多種檢測分析模型的應用可從整體上進行比較分析，選出最優的質量檢測模型，將數據融合更好地應用于中藥實際質量評估。

3 數據融合用于實時控制中藥生產過程

如何有效控制生產過程中中藥質量保證產品的質量均一性一直是中藥質量檢測和分析領域中的難點。目前中藥生產過程往往通過提前設定的工藝參數進行控制，實時的過程信息卻沒能被很好地加以應用，使得建立的分析模型不太理想。充分利用生產過程信息，彌補工藝檢測模型的信息缺口，采用數據融合從實時過程分析控制的角度充分實現應用是未來中藥生產過程質量控制的方向之一。數據融合技術在中藥生產加工中主要被用于中藥生產過程質量評價及中藥制藥過程在線質量控制2 方面。

3.1 中藥生產過程質量評價

中藥生產過程涉及多方面的影響因素，為保證中藥生產產品的批間一致性，提取、濃縮、色譜等重要工藝環節在中藥生產過程質量控制中具有重要作用。通過數據融合技術對中藥生產重要過程的質量標志物（quality marker，Q-Marker）進行實時分析，可以有效實現中藥生產過程質量評價。張娜等[46]以中藥丹參飲片乙醇提取過程為研究對象，采用近紅外和高效液相色譜實時分析丹參提取液中有效成分的含量變化，建立基于提取過程中提取液的偏最小二乘質量預測模型（包括以丹參的指標性成分建立工藝參數過程模型、工藝參數-物料屬性融合模型以及工藝參數-物料屬性-過程質量參數融合模型）。其中PLS Toolbox 2.1結合MATLAB 7.0軟件的數據分析結果表明多源信息融合模型比常規模型具有更好的校正和預測能力，數據融合技術可以有效提高提取液質量的可控性。可見近紅外光譜可以有效反映提取過程中的工藝狀態變化信息，填補丹參醇提過程中的工藝質量控制的空白。Zhang 等[47]以小兒消積止咳口服液的提取過程為研究對象，通過測定提取過程中7 種關鍵質量屬性濃度，基于近紅外和中紅外這2 種光譜的低級和中級數據融合建立偏最小二乘模型，其中低級數據融合數據塊為簡單的原始光譜串聯，中級數據融合為基于波段選擇的特征變量相連。MATLAB 2019a 軟件的數據分析結果表明數據融合模型對7 種關鍵質量屬性的預測優于單光譜模型，可以克服提取中信息檢測不全面的檢測缺陷，快速準確的監測小兒消積止咳口服液的提取過程。同時，面對中藥柱層析吸附過程中存在著吸附時間過長導致柱層析產品中存在有效成分比例異常的問題，蔣程[48]通過近紅外和紫外的光譜低級和中級數據融合分別建立對三七柱層析吸附流出液5 種皂苷質量濃度的實時定量分析模型，MATLAB 7.5.0軟件的數據分析結果表明，相比單一光譜建立的模型，數據融合模型預測誤差大幅降低，可顯著增強信噪比，提升模型準確度和穩健性，這一方法實現了三七吸附過程的質量實時監控。李建宇[49]采集純化過程不同階段洗脫液的近紅外數據，將光譜與過程工藝參數融合，采用SIMCA P+11.5 和MATLAB 7.0 軟件進行光譜預處理和建模分析，基于融合數據建立起大孔吸附樹脂純化梔子提取物的過程監測模型。結果顯示將經過化學計量學處理后的光譜數據與工藝參數數據融合建模后發現與單純的工藝參數模型對比，采用數據融合建模可以在一定程度上提高過程監測模型的性能。綜上，將關鍵質量屬性或工藝參數和儀器檢測信息通過數據融合的方式進行融合建模，可以充分填補目前中藥生產重要過程產品質量無法實時監控分析的檢測缺口。因此，數據融合技術在中藥重點工藝環節過程質量評價分析上具有明顯的應用優勢。

3.2 中藥制藥過程在線質量控制

在線質量控制是中藥生產加工中的重要環節，而提高數據采集處理的實時性則是滿足在線質量檢測的要求的一個重要方法。相關研究者采用數據融合技術在這方面進行了研究。以干燥過程為例：干燥是中藥生產中常見的重點操作環節之一，目前普遍采用取樣監測物料含水率的方法進行中藥生產干燥過程終點的判斷，這樣無法保證對水分的實時控制。現在已經發展的水分在線檢測技術可以最大限度實現中藥的增效保質。然而依靠單一信息建立的在線分析模型往往不能夠全面反映物料含水率的真實狀態。數據融合技術可以用來對影響檢測目標的因素進行整體分析，最大限度消除檢測過程的不確定因素，提供準確的數據處理分析結果。彭彥昆等[50]基于多點同時采集的近紅外光譜融合數據，采用MATLAB 7.0 軟件進行數據分析，在優化在線檢測裝備設計和參數的基礎上構建了水分在線分級模型，相比靜態離線檢測模型，多點數據融合模型提升了含水率的預測精度。考慮到水分在線檢測在實施過程中亦可受干燥環境的溫度、濕度等信息影響，王學成等[51]指出可以在多點同步檢測的同時，采集溫度、濕度、密度等易獲取環境參數，得到綜合多維數據融合分析和環境因素的物料含水率預測模型進一步提高檢測精度。由此可見，數據融合技術在中藥生產中的在線質量控制上應用前景廣闊，有待進一步深入探索。

4 數據融合用于有效評價中藥產品

中藥產品的質量檢測與評價是對中成藥整個生產過程最后把關。目前，數據融合技術質量檢測和包裝質量檢測中同樣具有一定的應用研究。

4.1 中藥制劑質量檢測

中藥制劑質量檢測是保障其安全可控的基礎，檢測方法目前逐漸由單組分檢測轉變成多組分和整體特征指紋圖譜檢測并取得了良好的結果[52]。Yan等[53]采用紫外光譜指紋、多波長融合高效液相指紋圖譜及抗氧化活性測定結合，基于內部開發的指紋超信息特征數字化評估系統4.0和SIMCA 13.0分析軟件的數據分析結果，從定性和定量的角度成功對26 批次的六味地黃丸的質量一致性進行評價。2 種指紋圖譜從不同角度反映該藥的真實質量，為中藥制劑的質量評估提供了一種快速有效的方法。Wang等[54]首次采用物理化學中常用的燃燒熱代表三黃片整體化學信息結合紫外和傅里葉變換紅外的光譜定量指紋圖譜對30 批次不同來源的三黃片的質量一致性進行了評價，數字化評估系統軟件的分析結果顯示基于單種分析技術評價的黃連質量等級具有較大的差異，從側面反映采用多信息融合來進行中藥質量信息評價的必要性。綜上，數據融合通過對多源檢測信息的優化組合，成功實現了更準確的中藥制劑質量檢測結果，為中藥制劑質量提供了新的高效檢測方案。

為了更加有效的評價質量一致性，需要采用合適方法進行生物學評估。目前，體外溶出度實驗已經廣泛應用于固體制劑的質量評價中，但在中藥制劑中的應用較少。張嬙[55]通過近紅外光譜和拉曼光譜對不同來源的鹽酸青藤堿緩釋片進行溶出行為的模型化研究，研究中采用 MATLAB R2018a 和SIMCA 14.1 數據分析軟件，首先通過2 種光譜儀器采集鹽酸青藤堿緩釋片壓片前粉末數據，再基于預處理和變量選擇確定光譜最優主成分數，最后結合制片處方配比和工藝參數進行多源數據融合建立偏最小二乘和反向傳播神經網絡模型溶出行為模型。結果顯示基于單光譜建立的溶出模型預測能力一般，融合模型可以較好的預測溶出曲線。此研究提出了一種快速有效的中藥固體制劑生物學一致的質量一致性評價方法，為中藥固體制劑的質量評價提供了新思路。

4.2 中藥產品包裝質量檢測

中藥產品包裝質量檢測是中藥產品不可忽略的重要環節。目前，往往采用人工或某些底層的檢測裝置對產品包裝的完成度實現檢測，往往缺乏統一固定標準并且存在很強的主觀能動性。因此，通過采用一些特定傳感器進行包裝數據信息獲取實現對中藥產品的包裝檢測具有應用前景，不僅可以嚴格把控流入市場中藥產品的合格率，還可以最大限度地提升工廠的生產效率和智造水平。沈正福[56]基于多傳感器的信息融合實現了對產品包裝的缺陷檢測，降低了基于單一數據源決策的導致的錯誤率，并基于Python 語言采用決策層的融合方法，使用登姆普斯特-謝弗證據理論搭建工位系統數據融合模型，為缺陷檢測判別行為的優化提供了方案。

5 數據融合技術的綜合評價

綜上所述，在面臨高精度檢測需求時，雖然數據融合技術具有明顯的應用優勢，但其本身也存在一定的局限性。目前，采用數據融合進行信息數據的處理上缺乏一定的標準化規范，往往依據分析人員的思路或軟件設定程序進行操作分析。現在數據融合普遍采用低級、中級、高級數據融合策略進行分析，然而融合層級高的數據融合策略在某些特定的數據和應用場景上可能不能取得比低層級的數據融合更好的結果[57]。因此在研究中需要依據具體的分析數據和場景選擇適宜的融合策略進行分析，避免盲目的“擇高效應”。

當采集信息數據量龐大時，應用低級數據融合技術進行檢測分析會耗費大量的時間，并且難以滿足實時性分析的檢測需求。然而，當信息數據量較小、信息維度較低及實時性檢測需求不高時，由于低級數據融合處理框架簡單、檢測精度高，它的應用往往比中級和高級數據融合技術更加快速便捷。處理計算強度大或復雜程度高的數據信息，應首先考慮采用中級數據融合尋找數據中的特征信息，依據部分特征變量分析檢測對象可以極大的縮減變量數，減少計算時間，同時滿足實時性分析的檢測需求。由于決策方法的探索通常會耗費大量的時間，高級數據融合的構建較為復雜，但它的應用可以解決中級數據融合由于縮減變量導致的精度下降問題，適合具有高精度實時分析要求的應用場景。

當然，對于低級數據融合本身存在的檢測缺陷，可嘗試采用先進的統計學理論知識優化建模，解決由于高數據量導致的計算復雜耗時問題。面對中級數據融合精度下降問題，可以用神經網絡及深度學習算法替代傳統的機器學習實現建模，通過智能學習實現模型精度優化。高級數據融合由于其本身決策方法探索的困難程度較高、針對性較強，通過遷移學習的方式擴大決策方法的實用性可能是增加其應用場景和檢測對象的一個突破點。

6 結語與展望

數據融合技術憑借對傳感器信息互補，擴大檢測樣本信息透明度以實現更充分的目標樣本檢測的技術特點取得了廣泛的應用。在中藥原料藥材方面，已經成功用于產地鑒別、真偽品鑒定、品質評價3方面的檢測研究；在中藥生產過程方面，成功應用于生產中重要工藝環節的質量檢測評價和制藥過程在線控制；在中藥終產品質量檢測方面，可用于制劑評價和包裝檢測等方面。未來，在改進數據融合技術的同時需要加強數據融合技術在中藥制藥工業全流程多環節的應用研究。在中藥材種植方面，可利用多傳感器結合，在實現溫度、濕度控制的同時，利用數據融合分析技術模擬控制該藥材道地產區的生長環境，在農殘、重金屬限量等方面采用數據融合技術進行全面檢測，加強中藥材品質控制；在中藥生產過程中，繼續對各個重點生產環節（包括精制、濃縮、成型等）采用多傳感器進行多位點數據采集，通過融合數據分析找到最佳工藝參數，實現過程精準控制；在終產品檢測環節，除了利用現代化裝備結合數據融合對產品進行化學指標定性定量檢測和生物指標評價（如體外溶出度檢測），還可以加強對后續的包裝中異物檢測等方面的應用。綜上所述，需要進一步針對中藥領域特殊需求展開研究，重點使用數據融合技術突破中藥生產過程中檢測難點，同時與實際應用相結合，完成實驗室研究向工廠實際應用研究的轉化，提升中藥產品質量。

利益沖突所有作者均聲明不存在利益沖突