人工智能技術(shù)在電生理診斷中的應(yīng)用現(xiàn)狀

王林峰 劉歡慶 周濤

1湖南中醫(yī)藥大學(xué)信息科學(xué)與工程學(xué)院 長沙市 410208

2長沙縣人民醫(yī)院（湖南省人民醫(yī)院星沙院區(qū)） 長沙市 410138

3湖南省人民醫(yī)院 長沙市 410005

電生理技術(shù)是利用儀器設(shè)備產(chǎn)生以電形式為主的能量刺激生物體，并測量、記錄和分析生物體發(fā)生的電現(xiàn)象和生物體的電特性的技術(shù)［1］，其作為一種輔助診查手段，在神經(jīng)系統(tǒng)、心血管系統(tǒng)、內(nèi)分泌系統(tǒng)等疾病的診斷和治療方面提供了重要參考依據(jù)。電生理主要分為心臟電生理和神經(jīng)電生理，檢查的手段主要有腦電圖、肌電圖、經(jīng)顱多普勒及心電圖四種。人工智能作為計算機科學(xué)的一個分支，近些年來發(fā)展迅速，并在眾多領(lǐng)域有著廣泛應(yīng)用，如無人駕駛、智能機器人、同聲傳譯、智能輔助診斷等，為社會發(fā)展和人民生活水平的提升做出了重要貢獻。隨著人工智能技術(shù)的快速發(fā)展，其在臨床疾病智能診斷及預(yù)測等方面發(fā)揮重要作用。

人工智能技術(shù)介紹

人工智能結(jié)合了信息學(xué)、生物學(xué)、邏輯學(xué)、控制論、仿生學(xué)等眾多學(xué)科，以數(shù)據(jù)為基礎(chǔ)、計算能力為支撐、數(shù)學(xué)算法為方法，在機器視覺、語音識別、自然語言理解等領(lǐng)域取得了重大成果［2-3］。人工智能從20世紀60年代以來，先后經(jīng)歷了兩次發(fā)展浪潮，理論體系和技術(shù)方法不斷完善。現(xiàn)階段，人工智能算法按照任務(wù)類型主要分為：分類、回歸、聚類、異常檢測四種。分類任務(wù)是指建立函數(shù)判斷輸入數(shù)據(jù)所屬的類別，類別可以是二分類也可以是多分類，該任務(wù)最為常見且應(yīng)用最為廣泛，如人臉識別、語音識別，手寫識別、疾病預(yù)測等，分類算法主要有K-鄰近算法、支持向量機、邏輯回歸、貝葉斯網(wǎng)絡(luò)、決策樹、隨機森林、神經(jīng)網(wǎng)絡(luò)等。回歸任務(wù)被用來預(yù)測具體的數(shù)值，建立變量間的相關(guān)關(guān)系，與分類任務(wù)的區(qū)別在于輸出結(jié)果為具體數(shù)值而非離散值，在現(xiàn)實生活中的應(yīng)用有股票預(yù)測、商品房價格預(yù)測等；回歸算法主要有線性回歸、支持向量機回歸、嶺回歸等。聚類任務(wù)是指將數(shù)據(jù)對象聚成多個類簇，在現(xiàn)實生活中的應(yīng)用有客戶群體區(qū)分等；聚類算法主要有K-均值算法、模糊聚類、層次聚類等。異常檢測任務(wù)指對數(shù)據(jù)中存在的不正常或非典型的分體進行檢測和標志，在現(xiàn)實生活中的應(yīng)用有設(shè)備異常檢測、非法用戶檢測等；算法主要有支持向量機、主元分析等。

人工智能技術(shù)在電生理診斷中的應(yīng)用情況

電生理診斷實際上是圖像信號的分析過程。人工智能技術(shù)在醫(yī)療領(lǐng)域有著廣泛應(yīng)用，其在電生理診斷中的應(yīng)用，不僅有助于提高電生理醫(yī)師的診斷效率及準確性，也能為相關(guān)疑難、危重疾病預(yù)測做出貢獻。本文通過分析中國知網(wǎng)及Pubmed平臺中的相關(guān)文獻，就人工智能技術(shù)在電生理診斷中的應(yīng)用情況進行綜述。

一、腦電圖

腦電圖（electroencephalogram，EEG）是通過精密的電子儀器，將腦部隨時間變化的生物電活動加以信號放大而獲得的圖形［4］。腦電圖檢查作為判斷神經(jīng)活動是否正常的重要手段，不僅在神經(jīng)系統(tǒng)疾病的診斷方面有廣泛應(yīng)用，且應(yīng)用于危重患者腦電監(jiān)測、圍生期異常的新生兒監(jiān)測、癲癇手術(shù)治療的術(shù)前定位、大腦術(shù)后監(jiān)測、睡眠監(jiān)測等方面。

傳統(tǒng)的腦電圖檢查是通過醫(yī)生直接觀察腦電波進行相應(yīng)的診斷，但是這種方法需要長時間的觀察，消耗了醫(yī)生的時間成本，且依賴醫(yī)生的臨床經(jīng)驗，借助人工智能技術(shù)能夠快速有效地完成。目前人工智能技術(shù)在腦電圖信號分類領(lǐng)域的研究較多，且以神經(jīng)網(wǎng)絡(luò)方法為主。如Acharya等［5］利用13層卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合十倍交叉驗證法，對正常人群、癲癇患者發(fā)作前及發(fā)作時的腦電圖信息進行分類，精準度高達88.67%。Daoud等［6］使用深度卷積神經(jīng)網(wǎng)絡(luò)提取癲癇患者發(fā)作前及發(fā)作時的腦電圖信號特征，使用雙向長短神經(jīng)網(wǎng)進行分類，精準度高達99.66%。Nayak等［7］利用三層前饋反向傳播人工神經(jīng)網(wǎng)絡(luò)對癲癇發(fā)作的腦電圖信號和非癲癇發(fā)作的腦電圖信號進行分類，準確性較高。Stepanov［8］設(shè)計了連續(xù)小波變換方法獲取EEG信號，并利用神經(jīng)網(wǎng)絡(luò)對輸入信號進行分類，取得了不錯的效果。Huan等［9］設(shè)計了一種雙狀態(tài)腦機接口，并利用六種不同算法對不同心理表現(xiàn)的受試者腦電信息進行特征提取，利用反向傳播神經(jīng)網(wǎng)絡(luò)對特征進行分類，結(jié)果表明，使用最小二乘法與反向神經(jīng)網(wǎng)絡(luò)的分類效果最好，準確率達93.10%。除了神經(jīng)網(wǎng)絡(luò)方法外，也有研究者利用傳統(tǒng)的機器學(xué)習(xí)方法對腦電圖自動分類，如王燦強［10］通過算法對比研究腦電圖眼睛狀態(tài)的分類效果，結(jié)果表明在K-臨近、引導(dǎo)聚集、隨機森林和支持向量機四種算法中，K-臨近和隨機森林算法具有更高的預(yù)測準確度，其中隨機森林模型的預(yù)測準確度達到了93%，而基于K-臨近算法的模型預(yù)測精確度達到了97%。

二、肌電圖

肌電圖（electromyogram，EMG）是指用肌電儀或多導(dǎo)生理儀記錄下來的肌肉生物電圖形，用于評估肌肉活動。肌電圖檢查能夠有效確定周圍神經(jīng)、神經(jīng)元、神經(jīng)肌肉接頭及肌肉本身的功能狀態(tài)，臨床中多用于糖尿病患者的周圍神經(jīng)病變檢查、運動型神經(jīng)損傷檢查、肌肉萎縮檢查等。

利用人工智能技術(shù)，不僅可以輔助肌電圖信號的智能診斷，并可以輔助評估肌肉力量和疲勞度、關(guān)節(jié)力度、面部表情等方面。周輝等［11］早在2002年便研制出診斷腰腿痛的人工智能專家系統(tǒng)，該系統(tǒng)采用國內(nèi)多家醫(yī)院肌電圖專家的臨床經(jīng)驗為知識基礎(chǔ)，以人工智能技術(shù)中的啟發(fā)式推理為方法，試驗證明該系統(tǒng)對腰腿痛的診斷結(jié)果較為合理準確。烏薩馬［12］針對現(xiàn)有的從肌電信號中提取肌肉活動特性以及計算肌力模型方法的復(fù)雜性問題，研究并提出了兩種新的肌力評估模型，從而簡化了評估肌力的方法，第一種模型采用神經(jīng)網(wǎng)絡(luò)理論，第二種模型則以模糊邏輯為基礎(chǔ)。通過試驗對比了兩種模型的計算速度和穩(wěn)定性，結(jié)果表明，模糊邏輯模型比神經(jīng)網(wǎng)絡(luò)模型更快、更穩(wěn)定，但是結(jié)構(gòu)比神經(jīng)網(wǎng)絡(luò)模型更復(fù)雜。Kim等［13］提出了一種利用EMG和人工神經(jīng)網(wǎng)絡(luò)模型估算人體多關(guān)節(jié)僵硬度的新方法，研究者開發(fā)的人工網(wǎng)絡(luò)模型將EMG數(shù)據(jù)和關(guān)節(jié)運動數(shù)據(jù)與關(guān)節(jié)僵硬度相關(guān)聯(lián)起來，能可靠地估計多關(guān)節(jié)僵硬度，而無需復(fù)雜的計算或?qū)Ｓ迷O(shè)備。該方法通過試驗和模擬結(jié)果證實了其可行性，為理解潛在的人體運動控制并開發(fā)靈巧機器人操縱的控制方法提供了理論和技術(shù)基礎(chǔ)。Latha等［14］開發(fā)的面部肌電圖模型可以與任何服務(wù)機器人連接，可以輕松識別人的六種情緒，即憤怒、厭惡、恐懼、快樂、中立和悲傷，從而可以更快地進行人機交互。研究者從20名受試者中獲取面部肌電圖信號，使用深度學(xué)習(xí)技術(shù)-卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于特征提取信號，獲得的最高分類精度為99.79%。

三、經(jīng)顱多普勒

經(jīng)顱多普勒（transcranial doppler，TCD）是用超聲多普勒效應(yīng)來檢測顱內(nèi)腦底主要動脈的血流動力學(xué)及血流生理參數(shù)的一項無創(chuàng)性的腦血管疾病檢查方法，臨床上多用于腦出血及腦梗死患者的康復(fù)檢查及術(shù)中檢查患者的腦血流情況。

目前國外用于TCD 數(shù)據(jù)分類研究的方法主要有支持向量機［15］和人工神經(jīng)網(wǎng)絡(luò)［16-20］等。在國內(nèi)，部分研究者在以上算法的基礎(chǔ)上進行了改進，如耿銀鳳等［21］應(yīng)用蝙蝠算法（BA）優(yōu)化極限學(xué)習(xí)機（ELM,一種單隱層前饋神經(jīng)網(wǎng)絡(luò)）模型進行腦卒中分類預(yù)測，研究者利用 BA對ELM參數(shù)中的輸入權(quán)值矩陣和隱含層閾值矩陣進行了優(yōu)化，并用 BA-ELM 模型對實驗所用的 TCD數(shù)據(jù)集進行分類。實驗結(jié)果表明BA-ELM 模型的分類準確率比單純的ELM提高了22.77%，能有效進行腦卒中預(yù)測。王志遠等［22］提出了一種新的模糊支持向量機分類算法，該算法首先對樣本做預(yù)處理，為了解決醫(yī)療數(shù)據(jù)的不平衡性，引入了基于不同懲罰因子的方法，該算法以正負樣本數(shù)目的比值作為平衡因子，用以調(diào)節(jié)數(shù)據(jù)集的平衡度，結(jié)果表明研究者提出的模糊支持向量機分類算法能夠有效識別TCD醫(yī)療數(shù)據(jù)。

四、心電圖

心電圖（electrocardiogram，ECG）是利用心電圖機從體表記錄心臟每一心動周期所產(chǎn)生的電活動變化圖形的技術(shù)，其主要用于檢查和診斷心臟功能狀態(tài)，心電圖檢查是臨床最為常用的檢查方法之一。早在20世紀90年代，就有很多研究者將人工智能技術(shù)應(yīng)用于心電圖智能診斷及信號分類和處理［23-26］。心電圖信號的自動分類識別一直是心電信號自動診斷系統(tǒng)中的研究熱點與難點，相關(guān)的研究也較多，從研究角度劃分主要分為兩種類型，一種是多種心電圖信號的分類研究，分類方法主要為人工神經(jīng)網(wǎng)絡(luò)，如前饋神經(jīng)網(wǎng)絡(luò)、反向神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等［27-30］；另外一種是特定心臟疾病的智能診斷與預(yù)測研究。如王永祥［31］利用小波變換提取心電圖信號，再使用機器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)、支持向量機和Adaboost算法進行分類，對Adaboost算法進行了優(yōu)化，建立了心臟驟停預(yù)測模型，并驗證了模型的有效性。唐小梅［32］及張春云［33］使用支持向量機對室顫心電圖信號進行二分類研究，為室顫的預(yù)測提供了研究基礎(chǔ)。

總 結(jié)

通過分析以上研究發(fā)現(xiàn)，人工智能技術(shù)應(yīng)用在電生理診斷中主要是以人工神經(jīng)網(wǎng)絡(luò)技術(shù)為主，如卷積神經(jīng)網(wǎng)絡(luò)、反向神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)等。人工神經(jīng)網(wǎng)絡(luò)在圖像處理和識別領(lǐng)域發(fā)揮著重要作用。借助人工智能技術(shù)輔助電生理診斷，一方面需要計算機專業(yè)研究人員加強對人工神經(jīng)網(wǎng)絡(luò)技術(shù)的理論研究，解決神經(jīng)網(wǎng)絡(luò)內(nèi)部黑盒的弊端，另一方面需要臨床醫(yī)生加強對人工智能學(xué)科的認識及對專業(yè)知識的學(xué)習(xí)，不斷思考臨床中的其他疾病，尤其是危急危重以及難以發(fā)現(xiàn)的疾病能否借助人工智能技術(shù)進行預(yù)測，如是否可以通過患者腦電圖信號預(yù)測在一定時間段內(nèi)發(fā)生蛛網(wǎng)膜下腔出血的概率及危險等級等。只有不斷思考，才能更好地利用人工智能技術(shù)服務(wù)于臨床診斷中，提升醫(yī)療服務(wù)水平。