人工智能和机器人技术在区域麻醉中的应用

当前时代正处于第四次工业革命时期，其特征是物理学、计算机和生物学的模糊化，这将改变我们的工作和生活方式。这种变化的驱动力来自于人工智能驱动的数据——一种通过模仿神经活动来解决复杂问题的方法。人工智能将影响诸如数据分析之类的科学学科，比如人工传感、机器人技术、连通性、纳米技术、生物技术、材料科学、储能、量子计算以及3D打印。人工智能在区域麻醉中的应用范围是巨大的，包括创造先进的临床决策支持工具，对模拟训练期间性能指标的分析，最终开发出可优化针尖精度和局部麻醉注射的机器人等。在了解使用这些技术的范围、应用、局限性和障碍时，我们的目的是激发人们对当前技术和新兴技术在区域麻醉中如何最佳应用的讨论。

人工智能

据预测，到2030年，人工智能将占英国国内生产总值的16%，到2026年，人工智能将为英国医疗经济节省1150亿英镑，是英国工业战略的四大挑战之一，Topol报告指明了人工智能、信息学和遗传学对NHS（英国国家医疗服务体系）的重要性，建议NHS应该扩大研发项目，共同创造数字技术，并在行业交流网络内开展工作。为此，英国国家医疗服务体系NHS于2019年9月任命了18名临床数字研究员，以引导数字医疗的改进和创新。支撑人工智能的基本机制实际上是生物学，而不是计算机。相互连接的处理单元或节点以与人类神经元相同的方式动态通信，并表现为人工神经网络。成像中使用的人工神经网络示例如图1所示。

图1  用于成像的神经网络的例子。

最简单的网络有两个输入单元和一个输出单元，称为感知器(a)。该网络的扩展包含一个平行的隐藏层(b)，称为前馈神经网络。它们的使用受到限制，但可以与其他网络结合使用。自动编码器压缩(编码)信息(c)。它们的特征是小的隐藏层和中点周围的对称性(称为代码)。至此，各层在解码后进行编码。变体自动编码器使用贝叶斯数学，因此应用概率(d)。卷积神经网络(或深度卷积神经网络)用于图像处理过程中的目标识别(e)。他们使用一个小的正方形扫描矩阵，一个像素一个像素地扫描图像。这些数据通过只连接到邻近细胞的卷积层传输。卷积单元的数量随层数的增加而减少。池化层充当过滤器。反卷积网络是反向卷积神经网络（f）。他们可以从数据中生成图像。深度卷积逆向图网络是变体自动编码器，但具有卷积神经网络和深度卷积神经网络，分别用于编码器和解码器（g）。图像可以根据不同的视点、光照条件和形状变化重新渲染。深度残差网络是非常深的前馈神经网络，它能有效地训练数百层(h)。连接从一层传递到另一层以及下一层。

人工智能在区域麻醉中的应用将对患者数据和数字图像采集带来革新，与术前数据，手术功能结果登记，处方数据库，剥夺指数和癌症数据库建立联系。机器学习的优势在于其能够在庞大笨拙，复杂的数据集中产生模型，并为经典统计方法提供一个具有吸引力的替代方法。NHS在整合所有医院数据方面具有独特地位，而人工智能为回答区域麻醉对短期和长期临床结果和副作用的影响程度提供了良好契机。

理想情况下，区域麻醉神经跟踪适合应用人工智能驱动的计算机视觉，但比面部识别更困难，因为感兴趣的区域在不断改变其外观。声阻抗在神经和周围组织之间是相似的，神经的亮度和形状沿着它们的运动轨迹发生变化。后者的一个典型例子是坐骨神经的形状从大腿后部的圆形/椭圆形转变为臀下部的三角形。图像分析需要在30到60秒内以每秒20张图像的速度记录超声波扫描的所有像素。这是一个缓慢、低效、密集型计算机的过程。

1962年，Hubel和Wiesel发现，从视网膜到大脑的视觉信息传输归功于多级感受野，这一发现启发Fukushima设计了一个名为“ Neocognitron”的多层神经网络。这是卷积神经网络的原型，Neocognitron是一个具有深度结构的神经网络，并且是最早被提出的深度学习算法之一。如今，对图像(又称计算机视觉)的研究已经无处不在，卷积神经网络通过滤波和池化来捕获图像的复杂的时空特性，可以分为两种类型:二维(2D)和三维(3D) 。诸如V-Net之类的网络用于磁共振成像的医学图像分割。

已有三项利用卷积神经网络进行区域麻醉的研究。第一项研究的目的是量化纹理，该度量反映了超声图像内的灰度空间排列像素。对10例患者进行正中神经扫描。作者比较了七种纹理特征提取方法，并表明一种名为“自适应阈值二值化模式”的方法比其他六种跟踪算法表现出更好的性能。虽然是自动的，但该方法使用了逐帧跟踪系统。这种方法的缺点是，在每一帧的时间过程中，回声会发生变化，测量结果滞后于屏幕的变化。第二项研究评估了13个深度学习网络在上臂和大腿后部扫描过程中识别正中神经和坐骨神经时的性能。对42例匿名患者的25条正中神经和17条坐骨神经进行扫描。基于保留在预定义边界框中的像素比率，正中神经的准确度为94％，坐骨神经的准确度为80％，表明正中神经更容易追踪。

我们小组最近的一项尚未发表的研究建立了一个卷积神经网络来识别经过大腿后部扫描的坐骨神经。图2显示了该网络由六个部分组成，其中五个部分提取了超声图像的特征，另一个部分在提取完所有特征后生成一个输出掩码，其目的是让系统注意，即专注于重要信息而忽略无关信息。这是具有挑战性的，因为每一帧都有一个独特的背景，这降低了分割的准确性。从腘窝到大腿上臀下区域进行五次坐骨神经扫描，总共分析了3789帧。使用DICE系数和检测评价函数(intersection-over-union)，对比卷积网络与传统2D U-Net网络的性能，与标准2D U-Net方法(0.82和90.2)相比，内部研究方法表现更好(检测评价函数(intersection-over-union)和DICE系数分别为0.87和93.2)。上述研究表明，神经检测在区域麻醉中是可行的，但需要进一步研究开发更稳健的临床应用跟踪系统。

图2 卷积网络结构设计用于识别坐骨神经  左上角是手动标记的用于训练的超声图像。图像被依次缩减为一种更容易处理的形式，在不损失准确性的情况下需要更少的计算力。进行卷积的关键要素是过滤器或内核。它比图像小得多，并在图像上移动，直到完全扫描为止。第一个卷积层捕捉低级特征，如线条和颜色。额外的层以形状的形式添加高级功能。池化通过识别内核的最大值或平均值来起到降噪和降维的作用。通常认为最大池化更好。然后数据被输入传统的神经网络。自注意力是一个术语，用来描述相邻元素的增强特征提取。

机器人

到2023年，机器人在医疗保健领域的应用将在全球市场中扩张，其价值将超过150亿英镑。到目前为止，医疗机器人一直专注于外科援助、康复、医疗运输、环境卫生以及配药。即使在外科手术中，机器人的使用也不是普遍的。虽然在遥远的未来可能会出现全自动机器人，但目前仅使用机器人来提高手术的准确性和效率，尽管这可能会通过改变病人的体位和阻碍交流而干扰麻醉。

麻醉机器人分为三类:制药类、机械类和认知类。制药机器人的典型特点是使用反馈回路中的脑电图进行目标控制麻醉。机械机器人比人类具有更好的精确性和灵活性，而认知机器人充当决策支持系统。制药机器人已被用于催眠和通气，并帮助止痛、控制温度和内环境平衡，有证据表明，与人工系统相比，它减少了工作量，提高了安全性。

使用机械机器人进行麻醉仍处于相对起步阶段。迄今为止，大部分工作都是在气管插管或区域麻醉方面进行的。2019新型冠状病毒(COVID-19)对麻醉师提出了“快速部署”的要求，显然这需要提高气道管理方面的临床技能。机器人应用于麻醉气道管理的一个例子，是机器人内窥镜-通过喉部自动成像的气管插管装置(REALITI)。一项对人体模型的概念验证研究表明，没有接受过医疗培训的非专业人员在自动化的模式下比在手动模式下执行程序更快。

在区域麻醉方面，最近的一项训练研究使用由操纵杆驱动的机械臂(麦哲伦手术机器系统)来评估学习曲线。当五名麻醉师对一个神经幻体进行测试时，与手动插针相比，在十次针插入过程中学习曲线得到了改善。然而，该研究受到样本量、重复次数少和缺乏性能标准的限制。较陡的学习曲线可能反映了该技术的新颖性，在较早的试验中，性能时间要长得多。在区域性针尖跟踪系统的测试过程中也证实了这种现象，并强调了采用新技术时需要进行全面培训的必要性。此外，在训练过程中过度依赖机器人辅助也有潜在的危险：尽管可以减少受训者之间的差异，但总体能力可能不足，这样会使麻醉医生在遇到气道管理的紧急情况和设备故障时处于被动状态。因此，在训练中严格设计机器人干预作为一个反馈系统来辅助，而不是取代学习过程。

未来的临床系统将不仅具有将问题告知麻醉师的能力，而且还可以建议或实施治疗。认知机器人可以是被动的(由预先设定好的手动触发器操作)或主动的(提供实时警报和评估)。考虑到理解复杂的病史、监测生命体征和在异常情况下做出关键判断所需的多种技能，机器人似乎很可能会辅助麻醉实践。在不久的将来，机器人系统可能会在“自动驾驶”模式下工作，直到需要手动操控为止，但临床决策仍将是人类的领域。即使人工智能获得了没有人为错误和认知偏差的能力，我们也必须记住，他们仍然有可能因为程序错误或异常事件而犯错。

未来的发展

未来的人工智能和机器人技术将为混合现实技术提供信息，包括先进的传感系统、显示系统和仿真平台。增强和虚拟现实已经存在，并且正在影响培训和实践。运动、视觉和触觉等感官模式不仅会为增强和虚拟环境增添真实感，并提供操作员反馈，未来还将被应用到自主机械机器人中。因此，虚拟环境和物理机器人都将包含综合的客观指标，将衡量培训和指导临床表现。

运动

精细的运动控制是安全区域麻醉的基本要素。帝国理工学院的手术评估设备（ICSAD）是一项经过验证的手术训练过程中手部动作的测量方法。锁骨上臂从阻滞麻醉在操作时间、动作次数、径长以及区域麻醉研究过程中的表现上体现出专家和新手之间的差异。最近，手部运动分析被用来评估猪肉模型上的针尖跟踪技术。同样，手部运动和径长减少，但仅限于平面外的阻滞。一项对接受腰丛神经阻滞的志愿者进行的研究证实了这些初步结果。手部运动分析可以解释手部运动在特定任务中的作用以及手部运动与效率之间的关系，但没有提供一个完整的手眼协调指标。针对超声引导的区域麻醉，已经开发了用于解决手眼协调性问题的工具，这些工具使用基于视频的自我评估方法，但是由于没有视觉注意力的衡量标准，这些仍然是部分主观的。

视觉

超声扫描的解剖结构的识别和解释是一项需要花费时间才能发展的关键技能。新手主要依靠有限的自上而下处理的选择性视觉处理路径。视觉搜索非常耗时，基于一次对一个特征的连续搜索，该功能与他们的明确期望相匹配，但取决于受训人员的知识程度。

专家将自上而下的知识与整体的视觉模式识别(即自下而上的显著性)结合起来，生成一个隐式的优先级地图，使视觉扫描更快、更准确，并更多地关注与任务相关的领域。眼球追踪技术已经应用于腹腔镜检查、放射学、病理学以及最近的超声引导区域麻醉中，以客观评估决策和注意力分配(图3)。

图3 区域麻醉传感器技术的示例 (a)学员戴着Pupil Core 200 Hz双眼眼动跟踪眼镜。眼镜连接到最优分析软件V1.14。正在进行校正检查。(b) 开发研究的输出，其中显示了基于指标的反馈的示例。眼球注视点(红色圆圈)由扫视(红线)连接。蓝色的圆圈表示最终的眼睛注视点，绿色的数字表示完成任务时所测量到的眼睛注视的次数。(c)第三项研究的结果显示，在重复10次以上的过程中，每项任务的注视次数总体上减少了。显示了最佳拟合线，表明性能有所提高。

眼球追踪技术可以帮助解释学习经验中的困难，也可以用来聚集学员的表现水平和跟踪学习曲线。技术上的进步包括与神经网络相关的眼镜自动校准，以及可以在重复区块上跟踪实时性能更新的软件。使用眼动跟踪技术进行的超声引导区域麻醉研究表明，眼部运动可以区分有经验的超声引导区域麻醉医师和新手。此外，基于实时表现的反射反馈有可能加速超声引导下的区域麻醉学习过程。

触觉

扫描程序依赖视觉注意力，而注射则需要触觉反馈。触觉模拟器的一个例子是用于局部区域程序(SAILOR)系统的麻醉模拟器。区域麻醉模拟器和助手（RASimAs）系统结合了使用真实患者的MRI或计算机断层扫描（CT）图像的虚拟反馈，以及使用接地触觉的触觉反馈。

更广泛地讲，接地的动觉触觉已经引入了一些现实的反馈体验，但是这种体验并不总是转化为其他领域的表现，例如腹腔镜检查。带有振动反馈的非接地皮肤触觉技术已经取得了很大的进展，该方法已应用于直观的外科达·芬奇标准机器人，并获得了一些性能改善的证据。

虚拟、增强和混合现实

两项研究探讨了增强现实技术在模拟硬膜外麻醉过程中探测解剖标志的应用。首先，对志愿者的椎间隙的识别比传统的触诊更准确。第二种情况更为复杂。在3D增强环境中观察超声换向器和针头，使用针尖的单元件换向器识别硬膜外腔。

与仅使用超声的尝试中只有50％相比，幻象中的所有尝试都是成功的。除了解剖导航之外，增强现实技术可能在区域麻醉训练中也很有用。高保真尸体训练为掌握学习提供了逼真的模拟，但易用性差，成本高，影响了其广泛应用。为了提供类似尸体的模拟训练，迫切需要虚拟训练平台。

虚拟现实在超声引导下的区域麻醉中的应用也集中在以病人为中心的降低焦虑和训练上。使用虚拟现实分散注意力的效果好坏参半。两项研究报告说，在进行超声引导的区域麻醉时，这是一种成功的分散注意力的方法，与传统治疗理相比，满意度增加，术前至术中焦虑减少，但另一项研究报告无差异。

还创建了虚拟游戏世界，在一个有趣的环境中奖励学习。成功会在排行榜上以分数、徽章或表现图表的形式进行评分。一项对心胸外科受训人员的研究发现，参加现场的“Top Gun”比赛可以提高吻合技术的表现。一款商业任天堂Wii U游戏“Underground”已经被验证为腹腔镜，因为游戏操作是基于腹腔镜所需的灵巧技能，但没有触觉反馈;类似的方法也可以用于区域麻醉。另一个潜在的应用是在强调团队合作、人为因素和人体工程学的场景中进行的非技术虚拟技能训练，所有这些都与病人护理相关。

最近，一种带有触觉的游戏化方法被开发出来用于硬膜外麻醉。这是基于Unity(跨平台游戏引擎)的力模型的触觉指针。神经是在虚拟空间中使用MRI和磁共振血管造影的数据建模的，但扫描仅限于少数个体，因此限制了解剖变化的范围。在一个电子学习项目中，实习麻醉医师被随机分配观看一段教育视频，观看MRI和超声图像时，是否在卡通解剖示意图上移动虚拟超声探头。书面测试结果为虚拟仿真组得到了增强，但在实时扫描时没有差异。这可能反映了知识和技能获取的不同学习率。

交叉现实、物联网和数字孪生

机器人技术、扩展现实和客观指标的组合有可能提供全面的教育和临床经验。来自制造业的证据表明，机器人可以降低成本，在重复性、繁琐和导致身体疲劳的任务上，超越人类的表现。扩展的现实情况为临床医生提供了机会，以一种具有认知意义的方式积极参与手术。交叉现实、物联网和数字孪生的潜在应用包括药物剂量决策，或在进行操作之前将患者数据直接映射到模拟器环境中。这对于学习超声引导的区域麻醉和在进行复杂病例之前的实践都将是有益的。

强化学习使用面向目标的算法，强化算法在做出错误的决定时会受到惩罚，而在做出正确的决定时会受到奖励。机器学习的优势在于，它可以在庞大而笨拙的复杂数据集中找到模式，并为经典统计方法提供了一种有吸引力的替代方法。除了深度学习外，强化学习还经常用于机器人控制中，特别是用于解决复杂的顺序决策问题。机器人运动的控制可以看作是多智能体系统，它需要全面的多智能体强化学习方法。未来发展的另一个有趣领域是5G高频段网络。这些将覆盖未来的三种应用场景：增强的移动宽带、大规模机械化的通信以及可靠和低延迟的通信。尽管这些技术似乎并没有太多共通之处，但如果把它们结合起来，智能机器人在麻醉中的应用就会成为日常工作。

技术实施的障碍

人工智能的管理非常重要。治理需要提供稳定性和透明度，但要考虑到创新带来的快速变化。与临床研究类似，伦理考虑通过提供指导研究人员的价值和原则来减轻潜在的危害。每个项目都应采用类似于临床试验的治理框架。Alan Turing研究所提供人工智能伦理和安全方面的指导。它的伦理价值框架被称为“总和价值”。这包括尊重、开放、包容和公正。由于人工智能系统缺乏问责制，该研究所开发了基于公平(数据、设计、实施、结果)的问责制，可持续性(安全、准确、可靠性)和透明度，以获得公众的信任。

成本仍然是大型机器人平台的一个重要障碍，但从长期来看，如果并发症更少，就可以实现成本效益。机器人辅助不一定能提高手术效率，而且在不同的手术环境中，减少学习曲线的证据是混杂的。监管过程可能成为临床领域技术实施的障碍。但是，首先有机会开发用于医学教育目的的医学技术。这将为医疗设备创造一个试验平台，并提供一种提高技能、减少临床医生的多样性和提高区域区块成功率的手段。事实上，减少操作人员间的可变性一直是机器人技术的关键驱动因素，但也可以通过模拟训练和适当的客观性能指标来实现。

模拟教学和技术可以为临床医生提供学习经验的机会，让他们接触到反映他们发展专业技能所需技能的程序和环境，而不是完全依赖于机器人。然而，有些技术可能无法提供足够逼真的环境，导致“恐怖谷”效应，或完成模拟程序的信心与在现实生活中执行这些操作的能力不匹配。因此，重要的是对实践中可能需要的核心技术和非技术技能进行客观和主观的评估。需要对形成性和总结性评估类型以及标准化方法进行更多研究。