推进人工智能在颅脑创伤重症管理中的应用丨【中华神外】2017年第七期“名医讲堂”
神外资讯【中华神外】专栏，每周二发布一篇精选文章，今天刊登的是，上海交通大学医学院附属仁济医院神经外科江基尧教授在《中华神经外科杂志》2017年第七期“名医讲堂”上发表的《推进人工智能在颅脑创伤重症管理中的应用》，欢迎阅读。
1956年夏季，一批有远见卓识的年轻科学家相聚在一起，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。人工智能（Artificial Intelligence）是用于模拟、延伸和扩展人的智能的理论、方法，是一门新的技术科学。人工智能是计算机科学的一个分支，它旨在了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能体系。
人工智能是研究计算机模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用[1]。人工智能涉及计算机科学、心理学、哲学和语言学等学科，同时其应用延展到自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴。随着人工智能知识体系的不断完善和应用范围的不断扩大，其在医药领域的应用空间迅速扩大[2-4]。
人工智能在医疗领域的应用主要包括以下内容：
（1）人工智能可提高临床数据的利用度，可以整合患者多源的临床信息，例如影像学、血液检查、组织样本、护理记录等。高度综合性的患者数据可以生成预测模型，帮助医生评估患者的病情、转归及结局。
（2）人工智能可以促进个体精准医疗。有关个性化精准医疗概念的提出已超过20年，人工智能和机器学习拥有将其真正带入现实的潜力。个性化医疗是建立在患者独特的疾病特征基础上，如组学研究结果，它的应用只有在了解疾病的机制与基因基础上才能实现，人工智能提供了唯一的可行性途径。
（3）人工智能可提高可穿戴设备的使用价值。对于保障健康的可穿戴设备与移动设备而言，人工智能是其发展过程中的重要组成部分。除了监控疾病信号比，如脉搏、血压、呼吸等，下一代的移动健康科技将会提供个性化的实时警报与建议，从而调整医疗行为，最终达到实现健康的目的。
（４）人工智能可以预测药物的相互作用。
（５）人工智能有助于实现更快、更好的医学研究。
大脑是人体最复杂的器官，颅脑创伤是大脑罹患的最复杂的疾病，按照现代医学的观点，颅脑创伤实质上是一系列脑创伤引起的疾病类型的总和，导致颅脑创伤患者中存在固有的、显著的异质性。颅脑创伤患者的异质性要求治疗方式与患者的个体差异实现准确匹配，不论是临床工作还是基础研究，患者群体的分类方式治疗生效评价体系的建立均十分重要。
具体来说，侵袭性和非侵袭性监测手段的建立对脑血流、脑代谢、电活动和其他神经信息的掌握可以增加治疗措施的有效性，提供用于重症监护病房的新型治疗措施。对手术的研究应聚焦于可能受益于手术的患者亚群，而不是研究某种手术对所有患者的治疗效果。未来的指南应允许治疗方式的多样性，患者结局质量和家属的选择也要列为选项。颅脑创伤的康复治疗最佳时间窗也需要进一步细化分析，其多学科治疗的特殊性也需要更多的证据支持。
基于上述要求，需要建立大规模的颅脑创伤资料库对真实世界的颅脑创伤病情、治疗及预后进行分析[5]。在2017年4月22日第九届中国颅脑创伤论坛上，欧盟CENTER-TBI研究负责人Andrew Maas教授宣布中国和欧盟同步建立了各超过10000例的临床数据库，引入机器学习途径，革新旧有的数据分析体系，对数据库的资料进行分析。
人工智能在满足上述要求的工作中有突出的优势，从而得出新的疗效比较研究的结果。颅脑创伤的分类面临挑战，目前的治疗模式基本缺少病理分型的支持，仅仅将闭合伤和穿通伤的治疗体系进行了区分。伤情严重程度的分级更为困难，格拉斯哥昏迷评分（GCS）应用最为普遍，但是分类方式较为含混模糊，不能反映病情背后的病理变化，并且缺少准确性，因为意识状态的变化可有多种因素导致，如癫痫、醉酒、吸毒等。院前急救中应用的镇静药物和器官插管也会影响GCS评分，从而导致其评估的可靠性下降。
目前的国际疾病编码分类系统也不能有效显示颅脑创伤的严重程度。简明损伤分级标准以及Marshall颅脑创伤CT影像分类标准也分别有其局限性。未来的颅脑创伤分类研究不应局限于某一方向，应包括多个领域，如临床特征、神经影像、预后指标等[6]。
颅脑创伤的分类精细化、标准化的最终途径在于引入人工智能手段，实现对颅脑创伤的个体化判断。迅速完成血液标志物检测与神经影像结果整合，以及实现诊断优化、追踪疾病进展、预测疾病预后是颅脑创伤研究的迫切需求。
目前已经积累了关于血液标志物的大量研究结果[7]，未来的研究将进行新的标志物分类，如代谢标志物、微RNA、外泌体等。颅脑创伤急性期的标志物（GFAP、UCH-L1）对于院前和急诊室患者，尤其是CT表现阴性患者的诊断有巨大价值。在疾病的亚急性阶段，神经丝蛋白和自身抗体等生物标志物可用来追踪疾病的进展；在疾病的慢性阶段，神经退行性变的标志物如tau蛋白已经用来监测远期后遗效应，如慢性创伤性脑病和阿尔茨海默病。
尽管有多个生物标志物取得了较为成熟的研究结果，但是目前广泛转化和应用到临床诊断中仍存在障碍。原因在于多数研究的样本量小、分析变量多、参考标准缺乏、机制理解缺如、生物标志物从脑入血途径复杂、涉及脑脊液和胶质淋巴系统等。
总之，只有高质量的、大规模的评估性研究，才能保证其临床应用价值，引入人工智能手段可以保证上述研究的准确性和时效性。现有的技术条件已经可以提供病理生理变化的信息，界定具体的治疗标准以及个体化的ICU管理措施。神经外科ICU是临床科室中数字医疗设备最多的地方，配有床边监护仪、多功能呼吸治疗机、颅内压监护设备、体表降温设备、脑电监护仪、超声检查设备、脑氧监测设备、脑血流检测设备等等。
这些数字医疗设备产生的数据、医护人员操作的数据以及患者在其他科室及实验室产生的数据使得神经外科ICU成为多种信息交汇的地方。不同信息系统都有数据交互，神经外科ICU场景中的数据具有数据维度多、时效性好、价值密度大和数据质量高的特点[8]。利用高级数据处理手段分析颅内压波形，测定脑血管自主调节功能，测量脑氧、代谢和皮质电活动。整合这些信息资源，可以提供更为完整的神经生理信息，使治疗个性化。
对这些数据的综合处理，已经超出人类智能所能覆盖的范围，人工智能的数据收集、分析手段对于综合处理监护数据起到了关键作用。上海交通大学医学院附属仁济医院神经外科开发应用NEUMATIC科研设备，收集神经重症数据，率先在神经重症领域对数据采用前沿的机器学习方法，针对持续的数据序列（而不是从某一个静止的图片）进行人工智能深度学习，寻找出最佳的测量指标来提示病情预后。
该体系实现了对数据进行传统模式分析，大量见所未见的神经重症数据，可直观和清晰地反应给研究者。在图像识别中，广泛使用的是卷积神经网络算法，并将时间维度加入，采用了最前沿的循环神经网络算法，对NICU数据进行了开拓性探索。
将患者的颅内压波形、压力反应性指数即PRx波形，结合病种和预后的结果（格拉斯哥预后分级等）进行循环神经网络算法深度学习（recurrent neural network，RNN），神经网络算法的神经记忆模块能够维护网络中的隐藏单元包含的历史特征，通过学习长期依赖性，捕捉序列信息，于动态时间序列数据实现复杂的学习任务。RNN的每层共享参数大大降低了网络中需要学习的参数个数。采用RNN对数据库中的病例进行学习后，当输入新的数据时，数据分析系统对该数据的预后判断可达到 70%以上的准确率。
同时，在海量的数据库里寻找秒级别相似的各类波形，是以往人工所难以实现的，而人工智能却能实现。当输入新的数据时，数据分析系统能自动快速地在数据库中寻找和该数据波形最接近的数据，同时输出该数据的预后结果，随着数据库的扩大，该结果会越来越有参考意义。
颅脑创伤工作面临的挑战是复杂的疾病特征、临床表现、预后结局与当前较为简单的疾病分类、伤情分选、结果判定方法的矛盾，许多研究者在尝试建立基于人类智能和传统医学模式基础上的工作路径。引入人工智能的工作平台，让更多的判断、分析工作交给计算机，而临床医生根据人工智能工作结果实施合理的医疗行为，可能在今后十几年或者更短的时间内简化颅脑创伤临床工作的流程[9-10]。
参考文献
［1］Longuet-Higgins C. Artificial intelligence［J］. Br Med Bull,1971,27(3):218-221.
［2］Beam AL, Kohane IS. Translating Artificial Intelligence Into Clinical Care［J］. JAMA, 2016,316(22):2368-2369. DOI: 10.1001/jama.2016.17217.
［3］Peek N, Combi C, Marin R, et al. Thirty years of artificial intelligence in medicine (AIME) conferences: A review of research themes［J］. Artif Intell Med, 2015,65(1):61-73. DOI: 10.1016/j.artmed.2015.07.003.
［4］Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer［J］. JAMA Oncol, 2015,1(5):573-574. DOI: 10.1001/jamaoncol.2015.1203.
［5］Maas A. Traumatic brain injury: Changing concepts and approaches［J］. Chin J Traumatol, 2016,19(1):3-6.
［6］Sherer M, Ponsford J, Hicks A, et al. Cross-Validation of a Classification System for Persons With Traumatic Brain Injury in the Posthospital Period［J］. J Head Trauma Rehabil, 2017,DOI: 10.1097/HTR.0000000000000290.
［7］Sharma R, Rosenberg A, Bennett ER, et al. A blood-based biomarker panel to risk-stratify mild traumatic brain injury［J］. PLoS One, 2017,12(3):e0173798. DOI: 10.1371/journal.pone.0173798.
［8］Hanson CW, Marshall BE. Artificial intelligence applications in the intensive care unit［J］. Crit Care Med, 2001,29(2):427-435.
［9］Jaeger H. Artificial intelligence: Deep neural reasoning［J］. Nature, 2016,538(7626):467-468. DOI: 10.1038/nature19477.
［10］Ramesh AN, Kambhampati C, Monson JR, et al. Artificial intelligence in medicine［J］. Ann R Coll Surg Engl,2004,86(5):334-338.
【中华神外】往期回顾
2017年第六期“功能神经外科”丨PET-MRI影像融合技术在药物难治性癫痫术前评估中的价值
2017年第六期“临床论著”丨血管超声在颈动脉内膜切除术前风险评估中的价值
2017年第五期“名医讲堂” |精准医学时代带给脑干胶质瘤治疗的新模式
长按二维码或点击“阅读原文”进入杂志购买页面