人工智能與神經(jīng)活性分析研究進(jìn)展

黃佳星 王猛 江洪

(武漢大學(xué)人民醫(yī)院心內(nèi)科 武漢大學(xué)心血管病研究所 心血管病湖北省重點(diǎn)實(shí)驗(yàn)室 武漢大學(xué)心臟自主神經(jīng)研究中心，湖北 武漢 430060)

心臟由交感神經(jīng)和迷走神經(jīng)共同支配。在生理情況下，迷走神經(jīng)和交感神經(jīng)互相制約，保持動(dòng)態(tài)平衡。而在病理情況下，自主神經(jīng)系統(tǒng)(autonomic nervous system，ANS)出現(xiàn)失衡，主要表現(xiàn)為交感神經(jīng)活性升高，迷走神經(jīng)活性降低。交感神經(jīng)活性升高是心律失常發(fā)生的關(guān)鍵因素，其中左側(cè)星狀神經(jīng)節(jié)(left stellate ganglion，LSG)為介導(dǎo)心臟交感神經(jīng)活性升高的關(guān)鍵靶點(diǎn)。在Yu等[1]的研究中，通過光敏蛋白可逆地抑制LSG的神經(jīng)活性，預(yù)防室性心律失常的發(fā)生。交感神經(jīng)活性升高同時(shí)也是心肌梗死、心肌梗死后心臟重構(gòu)和心功能惡化等心血管事件的重要因素，在Yu等[2]的另一項(xiàng)研究中證明，通過低水平耳緣迷走神經(jīng)刺激可減輕ST段抬高型心肌梗死患者的心肌缺血再灌注損傷。

人工智能(artificial intelligence，AI)技術(shù)現(xiàn)在已應(yīng)用于各領(lǐng)域，如心力衰竭(heart failure，HF)的管理以及預(yù)后分析[3-4]，室性心律失常的識(shí)別[5]以及通過迷走神經(jīng)刺激(vagus nerve stimulation，VNS)治療難治性癲癇的預(yù)后判斷等[6]。AI與神經(jīng)活性分析的結(jié)合是自主神經(jīng)閉環(huán)調(diào)控的必經(jīng)之路，在最大化提高患者受益程度的同時(shí)，減少對(duì)患者生活質(zhì)量的影響。如通過監(jiān)測(cè)交感神經(jīng)活性來智能完成識(shí)別活性變化，并執(zhí)行神經(jīng)活性調(diào)控治療來預(yù)防心源性猝死或惡性心律失?！，F(xiàn)著重討論常用于神經(jīng)活性分析的AI算法以及AI在神經(jīng)活性分析領(lǐng)域的應(yīng)用及前景。

1 常用于神經(jīng)活性分析的AI算法

AI算法分為機(jī)器學(xué)習(xí)(machine learning，ML)和深度學(xué)習(xí)(deep learning，DL)。也可根據(jù)訓(xùn)練方式的不同分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

1.1 ML算法

常用于神經(jīng)活性分析的ML算法包括支持向量機(jī)(support vector machine，SVM)、樸素貝葉斯算法(naive bayes，NB)、隨機(jī)森林算法(random forest，RF)、K最近鄰算法(K-nearest neighbors，KNN)和K均值聚類算法(K-means)。

SVM常用于疾病預(yù)測(cè)、診斷和分類，如心房顫動(dòng)(atrial fibrillation，AF)的復(fù)發(fā)預(yù)測(cè)、識(shí)別和分類，Li等[7]在基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)的DL方法上結(jié)合了SVM，提出了一種優(yōu)化的CNN算法(CNN-SVM算法)，能更準(zhǔn)確地預(yù)測(cè)AF復(fù)發(fā)的可能性，幫助預(yù)測(cè)消融的效率。Gliner等[8]使用SVM對(duì)AF進(jìn)行識(shí)別，可用于大量人群中AF患者的篩查。NB是貝葉斯分類中的一種常用分類器，來源于條件概率。Feeny等[9]使用ML對(duì)心臟再同步化治療的反應(yīng)率和生存率進(jìn)行預(yù)測(cè)，其中最佳的ML模型為NB分類器。RF的單元是決策樹，在Yang等[10]的研究中，定期隨訪了中國29 930例心血管病高危人群，并使用RF等算法來構(gòu)建心血管疾病預(yù)測(cè)模型，用于心血管疾病的三年風(fēng)險(xiǎn)評(píng)估。Ayyad等[11]將KNN算法改進(jìn)，在分類準(zhǔn)確率、精確度和召回率方面與其他分類方法相比具有較大優(yōu)勢(shì)，其可用于表達(dá)數(shù)據(jù)分類，如幫助癌癥預(yù)測(cè)和診斷。

K-means屬于無監(jiān)督學(xué)習(xí)算法。Cikes等[12]應(yīng)用K-means和多核學(xué)習(xí)模型等無監(jiān)督學(xué)習(xí)算法來分析由臨床數(shù)據(jù)和超聲心動(dòng)圖數(shù)據(jù)構(gòu)成的數(shù)據(jù)庫，以評(píng)估患者對(duì)心臟再同步化治療的反應(yīng)。結(jié)果提示無監(jiān)督學(xué)習(xí)算法可為表型不同的HF提供在臨床上有意義的分類，并有可能有助于優(yōu)化特定治療的有效率。

1.2 DL算法

DL包括人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)和CNN。AI增強(qiáng)的心電圖常使用的算法為CNN，根據(jù)心電圖就能檢測(cè)無癥狀左心室功能障礙、無癥狀A(yù)F、肥厚型心肌病以及個(gè)體的年齡、性別和種族[13]。Cámara-Vázquez等[14]使用CNN開發(fā)出通過體表電位標(biāo)測(cè)來無創(chuàng)識(shí)別AF消融目標(biāo)區(qū)域的模型，此方法可避免使用傳統(tǒng)復(fù)雜的心電圖成像技術(shù)。此外，Ramesh等[15]基于可穿戴智能設(shè)備使用CNN對(duì)短期心率變異性(heart rate variability，HRV)分析從而分類AF，有助于AF的篩查和個(gè)人健康管理?，F(xiàn)將常用AI算法的特點(diǎn)總結(jié)如下(表1)。

表1 AI算法

2 AI在神經(jīng)活性分析領(lǐng)域的應(yīng)用及前景

神經(jīng)活性可通過肌肉交感神經(jīng)活動(dòng)(muscle sympathetic nerve activity，MSNA)、皮膚交感神經(jīng)活動(dòng)(skin sympathetic nerve activity，SKNA)、皮層連通性和HRV等獲得。SKNA較MSNA更加簡單、無創(chuàng)，Kusayama等[16]開發(fā)的SKNA(neuECG)是目前較為方便的記錄方式。HRV為臨床上常用技術(shù)，其可根據(jù)低頻/高頻比值來判斷交感神經(jīng)活性。

2.1 神經(jīng)活性分析及自主神經(jīng)閉環(huán)調(diào)控

病理情況下自主神經(jīng)活性常常發(fā)生改變，且通過自主神經(jīng)干預(yù)達(dá)到神經(jīng)再平衡已被證明是有效的治療方法，因此自主神經(jīng)的閉環(huán)調(diào)控是未來神經(jīng)干預(yù)治療的發(fā)展方向，但目前AI結(jié)合自主神經(jīng)閉環(huán)調(diào)控的應(yīng)用仍較少。實(shí)現(xiàn)自主神經(jīng)閉環(huán)調(diào)控首先需分析出神經(jīng)活性的變化及其意義，Sevcencu等[17]于2017年提出可從迷走神經(jīng)活性中提取出于血壓變化相對(duì)應(yīng)的信息，血壓相關(guān)的神經(jīng)圖譜可作為難治性高血壓迷走神經(jīng)刺激的標(biāo)記。2021年Vallone等[18]開發(fā)并使用一種結(jié)合離散小波變換、主成分分析和分類樹集成學(xué)習(xí)的解碼算法解析出迷走神經(jīng)活性變化所代表的意義，準(zhǔn)確從迷走神經(jīng)信號(hào)中正確地分析出不同的功能變化。此外Vallone等[18]提出電極位置對(duì)解碼性能起著重要作用，還引入了一個(gè)新的指標(biāo)來表征神經(jīng)接口的記錄和解碼性能。Sabetian等[19]用袖帶電極記錄迷走神經(jīng)活性并通過上氣道阻塞對(duì)四種狀態(tài)的神經(jīng)活性產(chǎn)生影響，隨后使用含高斯核的SVM對(duì)神經(jīng)活性分析。研究表明，使用神經(jīng)袖帶電極和SVM分類器測(cè)量神經(jīng)活動(dòng)是可行的，為解碼神經(jīng)活性信息提供了幫助。Samejima等[20]通過使用典型相關(guān)分析算法對(duì)大腦皮層的上肢運(yùn)動(dòng)信號(hào)進(jìn)行解碼，并將該信號(hào)刺激于脊髓實(shí)現(xiàn)癱瘓小鼠上肢運(yùn)動(dòng)功能的恢復(fù)，實(shí)現(xiàn)了腦機(jī)脊髓的閉環(huán)調(diào)控。此外Samejima等[20]還將整個(gè)解碼系統(tǒng)在小型化植入式設(shè)備中實(shí)現(xiàn)，這為自主神經(jīng)的閉環(huán)調(diào)控提供了可行性證據(jù)及研究基礎(chǔ)。此外，改進(jìn)的神經(jīng)電極[21]和神經(jīng)數(shù)據(jù)采集系統(tǒng)[22]也可為自主神經(jīng)閉環(huán)調(diào)控提供幫助。

2.2 神經(jīng)活性分析及治療受益性預(yù)測(cè)

迷走神經(jīng)刺激現(xiàn)已用于多種疾病的治療或輔助治療中，如通過迷走神經(jīng)刺激改善HF患者的癥狀，改善心臟重構(gòu)[23-25]，治療癲癇等[26]。神經(jīng)干預(yù)治療需一種有效的工具來預(yù)測(cè)治療后效果，從而幫助臨床醫(yī)生選擇治療方案。在Ibrahim等[6]的研究中，難治性癲癇的兒童通過功能磁共振檢查以獲得皮層內(nèi)在連通性。隨后使用SVM對(duì)內(nèi)在連通性進(jìn)行分類，結(jié)果為SVM對(duì)持續(xù)VNS治療后反應(yīng)的分類準(zhǔn)確率為86%。Ravan等[27]通過腦電圖和心電圖信號(hào)證明VNS刺激可降低癲癇的發(fā)作擴(kuò)散和對(duì)心血管功能的影響，并證明了無監(jiān)督分類法對(duì)VNS治療反應(yīng)性的鑒別能力和有效性。

2.3 神經(jīng)活性分析及疾病預(yù)測(cè)

疾病早期診斷是目前醫(yī)學(xué)研究的一大熱點(diǎn)，各種危險(xiǎn)因素及相關(guān)標(biāo)志物提示可能存在相應(yīng)疾病，AI用于疾病預(yù)測(cè)及早期診斷可更全面準(zhǔn)確地判斷復(fù)雜數(shù)據(jù)，如Mandal等[28]用SVM對(duì)HRV分類，根據(jù)在心臟不同階段的波動(dòng)情況來自動(dòng)檢測(cè)AF和HF的識(shí)別分類等。Uradu等[29]研究發(fā)現(xiàn)SKNA在陣發(fā)性房性心動(dòng)過速和AF的發(fā)生終止之前，由此可通過AI判斷交感神經(jīng)活性預(yù)測(cè)AF是否將發(fā)生。Ali等[30]將兩個(gè)SVM模型疊加在一起實(shí)現(xiàn)了對(duì)HF的有效預(yù)測(cè)，可幫助提高決策效率。

Walsh等[31]驗(yàn)證了癌癥患者的自主神經(jīng)功能是否存在障礙，其結(jié)果顯示晚期癌癥患者存在明顯的ANS功能障礙，尤其是肺癌和前列腺癌。隨后Guo等[32]通過HRV來分析自主神經(jīng)障礙與癌癥患者生存率之間的關(guān)系。結(jié)果顯示，癌癥患者伴心跳間隔的標(biāo)準(zhǔn)偏差<70 ms的生存率更低，預(yù)后相對(duì)較差。兩個(gè)研究表明癌癥患者的自主神經(jīng)功能與其疾病發(fā)生發(fā)展及預(yù)后存在著一定關(guān)系。目前，Shukla等[33]通過AI分析HRV進(jìn)行肺癌預(yù)測(cè)，實(shí)驗(yàn)使用ANN及SVM，結(jié)果顯示AI可幫助診斷和預(yù)測(cè)預(yù)后。

2.4 AI提供神經(jīng)活性研究工具

ML算法能區(qū)分模式、形狀和結(jié)構(gòu)，這使得它成為解釋復(fù)雜生理信號(hào)的最有前途的方法之一。AI還可作為工具來提高研究效率，改善主觀性。例如ML可為MSNA分析提供工具，Nolde等[34]通過訓(xùn)練三個(gè)深度神經(jīng)網(wǎng)絡(luò)，建立了一個(gè)分析MSNA的新平臺(tái)，開發(fā)了MSNA的數(shù)據(jù)處理方法，從而評(píng)估信號(hào)的整體質(zhì)量、單個(gè)信號(hào)峰值的有效性和MSNA爆發(fā)的可能性以及可能時(shí)間。Silverman等[35]開發(fā)了一套用于記錄小鼠頸迷走神經(jīng)電活動(dòng)的系統(tǒng)，為進(jìn)一步描述迷走神經(jīng)通路在標(biāo)準(zhǔn)化小鼠疾病模型中的作用提供了有效的工具?，F(xiàn)將AI與神經(jīng)活性分析應(yīng)用現(xiàn)狀總結(jié)如下(表2)。

表2 AI與神經(jīng)活性分析應(yīng)用現(xiàn)狀

3 結(jié)語

目前，AI已應(yīng)用于醫(yī)學(xué)各個(gè)領(lǐng)域，如心血管病學(xué)、眼科學(xué)和神經(jīng)病學(xué)等。同樣神經(jīng)活性分析在醫(yī)療上的應(yīng)用也越來越廣，通過神經(jīng)活性分析對(duì)臨床診療的幫助也逐漸增大。然而目前AI應(yīng)用于神經(jīng)活性分析的研究仍較少，二者的聯(lián)系依然不夠密切。但隨著神經(jīng)活性分析的數(shù)據(jù)量越來越大，分析方法越來越多，神經(jīng)調(diào)控相關(guān)研究的加深，必然會(huì)產(chǎn)生對(duì)AI的需求。由AI算法來幫助數(shù)據(jù)分類及結(jié)果預(yù)測(cè)，一定會(huì)推動(dòng)神經(jīng)活性分析領(lǐng)域的快速發(fā)展。