人工智能加速麻醉学领域脑功能研究

罗猛强 王英伟

复旦大学附属华山医院麻醉科，上海 200040

国际麻醉学与复苏杂志,2021,42(10):1009-1012.

DOI：10.3760/cma.j.cn321761-20210712‑00383

 基金项目 

国家自然科学基金重点项目（81730031）；

上海市临床重点专科建设项目（shslczdzk06901）

EDITORTAL VIEW

【述评】

脑科学和人工智能（artificial intelligence, AI）是当今人类科技发展战略的制高点，两者相互交叉、相互融合。近年来，神经生物学衍生的深度神经网络（deep neural network, DNN）机器学习（machine learning, ML）算法迅速崛起，极大地促进AI算法的发展 ；相应地，AI有助于脑科学研究取得深层次突破，通过生物学原理对神经元与神经突触等结构实现数学建模，未来智能算法系统将能够呈现人类大脑的智能结构，实现生物脑的仿真模拟。AI属于计算机科学，定义为任何具有人类智能计算机程序的总称，其赋予计算机执行文字识别、状态推理与实现决策的能力，遵循特定规则与算法执行人类智能任务 。ML是计算机通过数据构建概率统计模型对数据进行预测分析实现AI的技术学科 。目前，AI和ML已渗透至医疗健康的诸多领域，两者在麻醉学领域的应用亦呈方兴未艾之势，包括但不仅限于气道管理、超声辅助诊断、智能药物输注系统、术中精准监测预警、围手术期并发症与病死率预测、重症监护治疗等，能够改变临床麻醉实践，优化治疗流程与改善患者预后，掌握AI技术对提供安全、高效、更具成本效益的临床麻醉至关重要。其中，AI在全身麻醉深度（depth of anesthesia, DoA）监测、麻醉药物作用的脑功能连接（functional connectivity, FC）及围手术期脑功能并发症预测等研究中发挥着日益重要的作用，为深入解析脑功能和改善患者围手术期脑健康迎来良好契机。

1 AI应用于DoA监测      

DoA不足或过深可导致术中知晓、苏醒延迟、谵妄及认知功能障碍等不良事件，DoA监测对精确指导临床用药、提高麻醉安全与质量具有重要价值。基于脑电图（electroencephalograhpy, EEG）的多种特征能够全面反映麻醉期间大脑状态，EEG是目前最常用的DoA和脑功能监测手段，所记录的脑部微生物电呈放大非平稳曲线，具有极大的无序性、变异性和随机性。传统分析原始EEG方法主观性较强，而定量EEG通过频域或时域分析，能够将EEG基本要素频率、节律、波幅等通过函数模型转化为量化参数，易于解读；EEG功能连接分析能够直观地描述信号的空间特征，基于信号相干性、非线性动力学的脑功能监测指标（如熵值等）也已被应用于临床；其他基于EEG监测DoA的指标还包括BIS、麻醉趋势指数、β比率、快慢波同步指数、95%边缘频率等 。

不同的全身麻醉状态或麻醉药物对EEG影响差异显著，使得基于单一的特征评估DoA效能各异，而AI能够强化EEG中麻醉与意识状态转变的特征，非常适合分析复杂EEG数据流。越来越多的研究通过AI与频谱分析对EEG信号直接分析进行DoA监测，以优化临床麻醉管理。EEG信号易受伪影干扰导致DoA测量精度受限，其中样本熵（sample entropy, SampEn）是测量EEG数据序列规律性的重要工具，但仅能在单时间尺度评估信号复杂性，利用可反映多尺度结构信息的多尺度熵作为输入数据训练，结合人工神经网络（artificial neural network, ANN）算法对EEG伪影进行滤波降噪处理，输出指数与金标准相关性更高，能够用于DoA的准确监测 。Mirsadeghi等 使用降维ML分析EEG频谱特征（δ波、θ波、α波、β波、总功率、熵）区分全身麻醉与清醒状态，预测准确率为88.4%，高于BIS的84.2%。Shalbaf 等 根据EEG特征使用神经模糊分类算法区分清醒与七氟醚的DoA，预测准确率可达92.91%，明显高于熵指数的77.5%。Park等 基于实时EEG结合DNN算法开发DoA监测系统并优化，能够实现在20 ms内实时准确预测，性能明显优于BIS。Gu等 基于多重EEG频域和熵特征结合ANN评估DoA，对清醒、浅麻醉和中度麻醉具有较高的分类精度。Li等 使用长短时记忆和稀疏去噪自动编码器结合EEG的混合特征监测DoA，提取SampEn、排列熵、频谱等集成可选特征，使用递归神经网络建立DoA监测模型，预测性能显著高于SampEn、排列熵等单一特征。Ramaswamy等 利用睡眠和右美托咪定的临床试验数据集提取EEG频谱特征，使用逻辑回归（logistics regression, LR）、支持向量机（support vector machine, SVM）、随机森林（random forest, RF）模型训练，结果表明RF模型训练的右美托咪定深度镇静EEG模式与非快动眼睡眠3期相似，能够准确预测其镇静深度。

综上所述，基于EEG特征的AI模型能够用于DoA的精准预测，其中非线性动力学的脑功能监测指标（如熵值）优于传统BIS，而通过多参数EEG特征集成可选特征进行ML，预测性能优于单一特征；相信随着AI算法性能的优化，预测精度将得以不断提升，未来AI在DoA监测系统的开发与应用中发挥重要作用。

2 AI应用于麻醉药物作用的脑FC研究     

全身麻醉药物诱导产生可逆性意识消失的机制是麻醉学亟待解决的科学问题，随着各类神经成像技术如功能磁共振（functional magnetic resonance imaging, fMRI）获取与分析技术的进步，人们能够通过大脑在不同意识状态下的神经活动和FC模式探究麻醉诱导无意识的机制。特殊脑区活动及脑区间的连接对维持清醒状态有重要作用，全身麻醉能够使丘脑和默认网络内的其他区域之间FC进行性断开产生麻醉作用，其中以皮质最为显著 ，而AI具有强化大脑不同意识状态之间特点的优势。Campbell等 提取清醒、轻度镇静、深度镇静及全身麻醉期间的局部活动、区域均一性和区域间功能活动相关的静息态fMRI特征，训练ML分类器（SVM、额外树、ANN），结果显示3种分类器在数据集内的预测准确率分别为95%、92%和94%，表明麻醉下静息态fMRI特征训练的ML分类器能够帮助区分临床患者的病理性无意识程度。

Golkowski等 研究全身麻醉药物对fMRI的影响发现，全身麻醉状态的网络内神经活动及网络间功能连接均受到抑制，全身麻醉药物对不同脑区活动的改变呈层级性与区域异质性；丙泊酚及七氟醚均能够使大脑活动的动态性降低，网络间连接模式分布改变，利用SVM模型选取网络间连接模式、联合网络间连接及网络内活动为先验特征区分两种状态的准确率显著高于单一网络内神经活动，表明大脑特定的网络连接模式对于区分不同意识状态具有重要作用，特定网络活动的降低是影响网络间功能连接的重要因素。随着疼痛脑功能成像研究的进展，临床医师开始重视通过fMRI和功能性近红外光谱技术（functional near‑infrared spectroscopy, fNIRS）优化对疼痛的评估。Hu等 利用增强现实技术将虚拟（三维建模、智能交互、传感等）与真实信息融合实现 “增强”，通过便携式光学神经成像技术fNIRS测量急性疼痛时大脑皮质活动，使用基于ANN的AI算法解码数据评估大脑疼痛状态，对疼痛的分类准确率为80.37%，同样基于EEG的SVM预测模型也已被成功地应用于全膝关节置换术后阿片类药物镇痛效果的评估 。

以上结果提示：基于脑功能成像与EEG技术，结合ML算法能够实现疼痛可视化精确定位和测量，未来在个性化疼痛的管理中具有良好的应用前景。

3 AI应用于围手术期脑功能并发症预测      

Block等  前瞻性地研究择期颈动脉内膜切除术和急性脑动脉栓塞血管内栓塞取出术患者，通过心率变异度、EEG、fNIRS和自动采集的临床信息训练ANN模型，卷积分析能够预测脑缺血的早期迹象，有助于临床医师尽早识别干预改善患者临床预后。Ma等 开发一种基于EEG预测深低温停循环心脏术后谵妄的预测方法，使用爆发抑制占空比（burst suppression duty cycle, BSDC）作为早期检测术后谵妄的候选指标并通过蒙特卡罗法模拟监督学习检测程序评估BSDC 性能，能够准确地预测术后谵妄。Racine等 研究择期重大非心脏手术无痴呆老年患者，选择包含18个特征的小数据集使用混淆评估法明确术后谵妄发生，结果梯度提升、交叉验证LR和神经网络等算法与传统LR模型效能相似，表明使用部分临床变量能够以中等准确度预测谵妄，而当使用大量临床变量时，预测效能则显著提升，证实了使用ML进行大量预测因子和高质量数据队列研究的优势。

Wang等 回顾性研究微血管减压术患者，利用围手术期参数建立决策树、LR、RF、梯度提升等ML模型预测患者术后谵妄，准确率高达96.7%，研究识别谵妄相关的主要危险因素包括术前使用卡马西平、Hb及尿素氮水平。最近，Zhao等 回顾性研究接受椎管内或全身麻醉的老年髋部骨折修复术患者，利用电子病历衍生的数据建立RF、极端梯度提升、SVM、多层感知机的ML预测患者术中谵妄，使用K‑折叠交叉验证进行内部验证和效能评估，预测准确率为83.67%~87.75%，研究共识别16个导致谵妄的高危因素，其中准备时间、术中使用血管升压药、虚弱指数、痴呆或卒中病史、手术持续时间和麻醉为高度相关的危险因素。

以上研究提示AI应用于预测术后谵妄或其他脑功能并发症具有良好前景，但目前AI数据来源相对单一且多局限于小样本研究，其预测精度仍有待未来进一步提升。

4 展 望      

AI融入临床医学有利于提升医疗服务质量，其对临床麻醉的渗透已是大势所趋，前景广阔，但需警惕的是AI算法多依赖于复杂的数学模型输出预测结果，却难以提供预测的具体细节来源，未来应提高透明度，增加人类对AI预测能力的理解与信任。AI虽在证明相关性或识别模式方面表现出色，但不能明确因果关系，容易受数据偏倚的影响，因此，必须考虑医疗系统中隐性和显性因素给大数据所带来的偏倚。另外，患者对AI的信任程度所引发的伦理安全仍有待研究，必须考虑AI实施过程中所面临的诸多挑战。因此，我们在发展AI医疗的同时应加快制定相关法律法规、加强伦理风险管控、完善标准规范体系建设，AI的转化价值与临床意义将在未来得到实践的检验。

国际麻醉学与复苏杂志