人工智能與神經活性分析研究進展

黃佳星 王猛 江洪

(武漢大學人民醫院心內科 武漢大學心血管病研究所 心血管病湖北省重點實驗室 武漢大學心臟自主神經研究中心，湖北 武漢 430060)

心臟由交感神經和迷走神經共同支配。在生理情況下，迷走神經和交感神經互相制約，保持動態平衡。而在病理情況下，自主神經系統(autonomic nervous system，ANS)出現失衡，主要表現為交感神經活性升高，迷走神經活性降低。交感神經活性升高是心律失常發生的關鍵因素，其中左側星狀神經節(left stellate ganglion，LSG)為介導心臟交感神經活性升高的關鍵靶點。在Yu等[1]的研究中，通過光敏蛋白可逆地抑制LSG的神經活性，預防室性心律失常的發生。交感神經活性升高同時也是心肌梗死、心肌梗死后心臟重構和心功能惡化等心血管事件的重要因素，在Yu等[2]的另一項研究中證明，通過低水平耳緣迷走神經刺激可減輕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)技術現在已應用于各領域，如心力衰竭(heart failure，HF)的管理以及預后分析[3-4]，室性心律失常的識別[5]以及通過迷走神經刺激(vagus nerve stimulation，VNS)治療難治性癲癇的預后判斷等[6]。AI與神經活性分析的結合是自主神經閉環調控的必經之路，在最大化提高患者受益程度的同時，減少對患者生活質量的影響。如通過監測交感神經活性來智能完成識別活性變化，并執行神經活性調控治療來預防心源性猝死或惡性心律失常。現著重討論常用于神經活性分析的AI算法以及AI在神經活性分析領域的應用及前景。

1 常用于神經活性分析的AI算法

AI算法分為機器學習(machine learning，ML)和深度學習(deep learning，DL)。也可根據訓練方式的不同分為有監督學習、無監督學習和強化學習。

1.1 ML算法

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

SVM常用于疾病預測、診斷和分類，如心房顫動(atrial fibrillation，AF)的復發預測、識別和分類，Li等[7]在基于卷積神經網絡(convolutional neural network，CNN)的DL方法上結合了SVM，提出了一種優化的CNN算法(CNN-SVM算法)，能更準確地預測AF復發的可能性，幫助預測消融的效率。Gliner等[8]使用SVM對AF進行識別，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對心臟再同步化治療的反應率和生存率進行預測，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等算法來構建心血管疾病預測模型，用于心血管疾病的三年風險評估。Ayyad等[11]將KNN算法改進，在分類準確率、精確度和召回率方面與其他分類方法相比具有較大優勢，其可用于表達數據分類，如幫助癌癥預測和診斷。

K-means屬于無監督學習算法。Cikes等[12]應用K-means和多核學習模型等無監督學習算法來分析由臨床數據和超聲心動圖數據構成的數據庫，以評估患者對心臟再同步化治療的反應。結果提示無監督學習算法可為表型不同的HF提供在臨床上有意義的分類，并有可能有助于優化特定治療的有效率。

1.2 DL算法

DL包括人工神經網絡(artificial neural network，ANN)和CNN。AI增強的心電圖常使用的算法為CNN，根據心電圖就能檢測無癥狀左心室功能障礙、無癥狀AF、肥厚型心肌病以及個體的年齡、性別和種族[13]。Cámara-Vázquez等[14]使用CNN開發出通過體表電位標測來無創識別AF消融目標區域的模型，此方法可避免使用傳統復雜的心電圖成像技術。此外，Ramesh等[15]基于可穿戴智能設備使用CNN對短期心率變異性(heart rate variability，HRV)分析從而分類AF，有助于AF的篩查和個人健康管理。現將常用AI算法的特點總結如下(表1)。

表1 AI算法

2 AI在神經活性分析領域的應用及前景

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

2.1 神經活性分析及自主神經閉環調控

病理情況下自主神經活性常常發生改變，且通過自主神經干預達到神經再平衡已被證明是有效的治療方法，因此自主神經的閉環調控是未來神經干預治療的發展方向，但目前AI結合自主神經閉環調控的應用仍較少。實現自主神經閉環調控首先需分析出神經活性的變化及其意義，Sevcencu等[17]于2017年提出可從迷走神經活性中提取出于血壓變化相對應的信息，血壓相關的神經圖譜可作為難治性高血壓迷走神經刺激的標記。2021年Vallone等[18]開發并使用一種結合離散小波變換、主成分分析和分類樹集成學習的解碼算法解析出迷走神經活性變化所代表的意義，準確從迷走神經信號中正確地分析出不同的功能變化。此外Vallone等[18]提出電極位置對解碼性能起著重要作用，還引入了一個新的指標來表征神經接口的記錄和解碼性能。Sabetian等[19]用袖帶電極記錄迷走神經活性并通過上氣道阻塞對四種狀態的神經活性產生影響，隨后使用含高斯核的SVM對神經活性分析。研究表明，使用神經袖帶電極和SVM分類器測量神經活動是可行的，為解碼神經活性信息提供了幫助。Samejima等[20]通過使用典型相關分析算法對大腦皮層的上肢運動信號進行解碼，并將該信號刺激于脊髓實現癱瘓小鼠上肢運動功能的恢復，實現了腦機脊髓的閉環調控。此外Samejima等[20]還將整個解碼系統在小型化植入式設備中實現，這為自主神經的閉環調控提供了可行性證據及研究基礎。此外，改進的神經電極[21]和神經數據采集系統[22]也可為自主神經閉環調控提供幫助。

2.2 神經活性分析及治療受益性預測

迷走神經刺激現已用于多種疾病的治療或輔助治療中，如通過迷走神經刺激改善HF患者的癥狀，改善心臟重構[23-25]，治療癲癇等[26]。神經干預治療需一種有效的工具來預測治療后效果，從而幫助臨床醫生選擇治療方案。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在連通性。隨后使用SVM對內在連通性進行分類，結果為SVM對持續VNS治療后反應的分類準確率為86%。Ravan等[27]通過腦電圖和心電圖信號證明VNS刺激可降低癲癇的發作擴散和對心血管功能的影響，并證明了無監督分類法對VNS治療反應性的鑒別能力和有效性。

2.3 神經活性分析及疾病預測

疾病早期診斷是目前醫學研究的一大熱點，各種危險因素及相關標志物提示可能存在相應疾病，AI用于疾病預測及早期診斷可更全面準確地判斷復雜數據，如Mandal等[28]用SVM對HRV分類，根據在心臟不同階段的波動情況來自動檢測AF和HF的識別分類等。Uradu等[29]研究發現SKNA在陣發性房性心動過速和AF的發生終止之前，由此可通過AI判斷交感神經活性預測AF是否將發生。Ali等[30]將兩個SVM模型疊加在一起實現了對HF的有效預測，可幫助提高決策效率。

Walsh等[31]驗證了癌癥患者的自主神經功能是否存在障礙，其結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來分析自主神經障礙與癌癥患者生存率之間的關系。結果顯示，癌癥患者伴心跳間隔的標準偏差<70 ms的生存率更低，預后相對較差。兩個研究表明癌癥患者的自主神經功能與其疾病發生發展及預后存在著一定關系。目前，Shukla等[33]通過AI分析HRV進行肺癌預測，實驗使用ANN及SVM，結果顯示AI可幫助診斷和預測預后。

2.4 AI提供神經活性研究工具

ML算法能區分模式、形狀和結構，這使得它成為解釋復雜生理信號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]通過訓練三個深度神經網絡，建立了一個分析MSNA的新平臺，開發了MSNA的數據處理方法，從而評估信號的整體質量、單個信號峰值的有效性和MSNA爆發的可能性以及可能時間。Silverman等[35]開發了一套用于記錄小鼠頸迷走神經電活動的系統，為進一步描述迷走神經通路在標準化小鼠疾病模型中的作用提供了有效的工具。現將AI與神經活性分析應用現狀總結如下(表2)。

表2 AI與神經活性分析應用現狀

3 結語

目前，AI已應用于醫學各個領域，如心血管病學、眼科學和神經病學等。同樣神經活性分析在醫療上的應用也越來越廣，通過神經活性分析對臨床診療的幫助也逐漸增大。然而目前AI應用于神經活性分析的研究仍較少，二者的聯系依然不夠密切。但隨著神經活性分析的數據量越來越大，分析方法越來越多，神經調控相關研究的加深，必然會產生對AI的需求。由AI算法來幫助數據分類及結果預測，一定會推動神經活性分析領域的快速發展。