榮國光, Arnalo Menez , Elie Bou Assi , 趙博, Mohama Sawan ,,*

a School of Engineering, Westlake University, Hangzhou 310024, China

b Institute of Advanced Study, Westlake Institute for Advanced Study, Hangzhou 310024, China

c Polystim Neurotech Laboratory, Polytechnique Montréal, Montréal H3T1J4, Canada

d Institute of VLSI Design, College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou 310027, China

1. 引言

人工智能（artificial intelligence, AI）定義為機器的智能，而不是人類或其他生物的智能[1,2]。人工智能也可以定義為對“智能代理”的研究：任何能夠感知和理解其周圍環(huán)境并采取相應適當行動以最大限度地實現(xiàn)其目標的代理或設備都可以被稱作人工智能[3]。人工智能也指機器在學習和分析過程中能夠模擬人的思維，從而解決問題。因此，人工智能有時也被稱為“機器學習”（machine learning, ML）[4]。

通常，人工智能涉及一個由軟件和硬件組成的系統(tǒng)。從軟件的角度來看，人工智能特別關注算法。人工神經(jīng)網(wǎng)絡（artificial neural network, ANN）是執(zhí)行人工智能算法的概念框架[5]。這是一個模擬人腦的神經(jīng)元網(wǎng)絡，其中神經(jīng)元之間有加權的通信通道[6]。一個神經(jīng)元可以對來自鄰近神經(jīng)元的多個刺激作出反應，整個網(wǎng)絡可以根據(jù)來自環(huán)境的不同輸入改變其狀態(tài)[7]。因此，神經(jīng)網(wǎng)絡（neural network, NN）可以產(chǎn)生輸出作為它對環(huán)境刺激的反應，就像我們的大腦對不同環(huán)境變化的反應一樣。神經(jīng)網(wǎng)絡通常是具有不同配置的分層結構。研究人員設計了能夠進行三類功能的神經(jīng)網(wǎng)絡。①監(jiān)督學習的神經(jīng)網(wǎng)絡：任務是根據(jù)輸入和輸出的示例推斷一個函數(shù)，將輸入映射到輸出；②無監(jiān)督學習：任務是從未標記、未分類的測試數(shù)據(jù)中學習，以識別數(shù)據(jù)中的共同特征，并且不是對系統(tǒng)反饋作出響應，而是根據(jù)已確定的共同特征在新數(shù)據(jù)中的存在或不存在作出反應；③強化學習：任務是在給定的環(huán)境中采取適當?shù)男袆?，以最大化獎勵和最小化懲罰，兩者都具有某種累積性質(zhì)[8]。隨著計算能力的提高，神經(jīng)網(wǎng)絡變得“更深”，意味著更多的神經(jīng)元參與到網(wǎng)絡中來模擬人腦并進行學習。因此，產(chǎn)生技術術語“深度學習”[9,10]。

從硬件的角度來看，人工智能主要是在物理計算平臺上實現(xiàn)神經(jīng)網(wǎng)絡算法。最簡單的方法是在通用CPU上實現(xiàn)多線程或多核配置[7]。此外，對于大規(guī)模神經(jīng)網(wǎng)絡而言，GPU在卷積計算方面優(yōu)于CPU [11]。有實驗結果表明，CPU和GPU聯(lián)合處理比單CPU處理效率更高，特別是對于脈沖神經(jīng)網(wǎng)絡[12,13]。此外，一些可編程或可定制的加速器硬件平臺，如現(xiàn)場可編程門陣列（field programmable gate array, FPGA）和專用集成電路（application specific integrated circuits, ASIC），可以在計算能力、功率效率和外型尺寸方面以更高效的方式實現(xiàn)神經(jīng)網(wǎng)絡，以實現(xiàn)定制應用[14]。與GPU和CPU相比，這些平臺可以針對特定的應用程序進行定制，因此比GPU和CPU更節(jié)能、更緊湊。如果需要在邊緣設備[如無線網(wǎng)絡中的移動電話或物聯(lián)網(wǎng)（internet-of-things,IOT）中的傳感器節(jié)點]中部署人工智能，則需要進一步提高電源效率和減小外型尺寸。研究人員嘗試使用模擬集成電路[15,16]、自旋電子學[17]和記憶電阻器[18-20]來實現(xiàn)人工智能算法。其中一些新的平臺，如記憶電阻器交叉線電路[21]，可以將計算與內(nèi)存合并，從而避免了傳統(tǒng)von Neumann體系結構的“內(nèi)存墻”問題。此類內(nèi)存訪問是更新計算所需參數(shù)而必須完成的操作。最近，研究人員試圖通過減少用于數(shù)據(jù)表示的位數(shù)來提高人工智能實現(xiàn)的效率。結果表明，當數(shù)據(jù)表示從32位或16位下降到8位時，仍可以保持相當?shù)挠嬎憔?。其?yōu)點是計算速度更快、功率更小、外形尺寸更小[22]。然而，“內(nèi)存墻”的限制依然存在。另一方面，采用適當?shù)挠柧毞椒ǎ缟疃榷皇潜砻嫠降挠柧歔23]、預訓練技術 [24]，以及平衡的數(shù)據(jù)集[25]、足夠的數(shù)據(jù)集[26]和恒定的數(shù)據(jù)集可用性[27]都是提高人工神經(jīng)網(wǎng)絡性能的重要考慮因素。

由于人工智能技術在軟件和硬件方面的快速發(fā)展，它已被應用于各種技術領域，如物聯(lián)網(wǎng)[28]、機器視覺[29]、自動駕駛[30,31]、自然語言處理[32,33]和機器人[34]。最有趣的是，生物醫(yī)學領域的研究人員一直在積極嘗試應用人工智能來幫助改善分析和治療結果，從而提高整個醫(yī)療行業(yè)的效果[35-37]。圖1顯示了1999—2018年這一領域過去20年的出版物數(shù)量。從圖中可以看出，此領域的研究興趣有明顯的增長，特別是在過去5年，增長非常突出?？梢灶A測，該領域未來還將呈現(xiàn)出持續(xù)增長。早在幾十年前，就有人設想了人工智能對生物醫(yī)學的幫助[38]。事實上，一些已發(fā)表的綜述論文回顧了人工智能在生物醫(yī)學工程中的作用[36,37]。近年來，人工智能及其在生物醫(yī)學中的應用取得了新的進展。

本文綜述了人工智能在生物醫(yī)學中應用的最新突破，包括生物醫(yī)學工程和醫(yī)療保健的主要領域。

圖1 . 近20年來，有關人工智能在生物醫(yī)學中應用的研究越來越受到關注，這一問題的出版物數(shù)量也證明了這一點。文獻檢索是由Web of Science以“Artificial Intelligence”或“Machine Learning”為主題，并以“Biomedicine”或“Biomedical”為主題進行的。

醫(yī)療保健的目標是變得更加個性化、預測性、預防性和參與性，人工智能可以在這些方面做出重大貢獻。從所取得的進展來看，我們估計人工智能將繼續(xù)發(fā)展和成熟，成為生物醫(yī)學的強大工具。本文的其余部分闡述了主要的人工智能應用，其中第2節(jié)的主題是信息處理和算法實現(xiàn)，第3節(jié)的主題是疾病診斷和預測，第4節(jié)報道了兩種醫(yī)療疾病預測的案例研究，最后，第5節(jié)闡述結論和總結。

2. 信息處理與算法實現(xiàn)

人工智能在生物醫(yī)學中的主要應用可分為4類。本節(jié)介紹的前三類方法旨在有效地處理大數(shù)據(jù)，并快速訪問以解決與醫(yī)療保健相關的問題。這些應用涉及老年人和殘疾人的生活輔助、自然語言處理技術和基礎研究活動。人工智能的最后一類應用涉及疾病的診斷和預測，這部分將在第3節(jié)中進行分析。

2.1. 生活輔助中的人工智能

在老年人和殘疾人生活輔助領域，使用相應智能機器人系統(tǒng)的人工智能應用程序正在為提高此類人群的生活質(zhì)量鋪平道路。最近發(fā)表的一篇綜述介紹了為失去生活自理能力的人提供的智能家居功能和工具，以及基于無線傳感器網(wǎng)絡、數(shù)據(jù)挖掘和人工智能的智能解決方案模型[39]。神經(jīng)網(wǎng)絡可以通過特定的圖像處理步驟進行訓練，以將人類面部表情識別為命令?；诿娌勘砬榉治龅娜藱C界面（human machine interface, HMI）允許殘疾人在沒有操縱桿或傳感器連接到身體的情況下控制輪椅和機器人輔助車輛[40]。

一個被稱為“RUDO”的“環(huán)境智能系統(tǒng)”可以幫助盲人更好地融入視力正常的人的生活，并允許盲人在信息和電子等專業(yè)領域工作[41]。盲人可以通過一個單一的用戶界面使用這個智能助手的多種功能。基于人工智能的“智能助手”可以幫助孕婦在分娩的關鍵階段提供飲食和其他必要的建議?；谧陨碇悄埽⒔Y合“所有相關人員之間的基于云的通信媒體”，它能夠提供“高水平”的建議[42]。

基于雷達多普勒時頻信號和稀疏貝葉斯分類器的墜落檢測系統(tǒng)可以降低老年人墜落的風險和并發(fā)癥[43]。事實上，有報道已成功開發(fā)“環(huán)境輔助生活”（ambient assisted living, AAL）的“智能通信架構”系統(tǒng)，允許人工智能處理從不同通信渠道或技術收集的信息，從而確定網(wǎng)絡環(huán)境中事件的發(fā)生和老年人的輔助需求[44]。智能家居引入的“環(huán)境智能”可以為老年人提供活動意識和后續(xù)活動幫助，這使得“就地養(yǎng)老”即在家養(yǎng)老在AAL環(huán)境下得以實現(xiàn)。例如，對老年人活動有意識的“篩選活動受限和安全意識”（screening of activity limitation and safety awareness, SALSA）智能機可以幫助老年人進行日常藥物治療活動[45]。此外，基于機器學習的運動分析和步態(tài)研究有助于警報危險行為并激活預防措施[46,47]。圖2 [39]顯示了環(huán)境輔助生活的模型。

在該情況下，傳感器收集有關環(huán)境和人類行為的數(shù)據(jù)，然后通過云計算或邊緣智能進行分析，最后決定需要采取哪些措施，并使用這些措施來激活警報或預防措施?；谌斯ぶ悄艿膶＜蚁到y(tǒng)結合移動設備和個人數(shù)字助理（personal digital assistant, PDA），可以幫助記憶受損的人增強記憶能力，從而實現(xiàn)生活自理[48]。這是面向“非專家”用戶的“記憶恢復專家系統(tǒng)”（expert system for memory rehabilitation, ES-MR）的重要擴展。

2.2. 生物醫(yī)學信息處理中的人工智能

自然語言處理在生物醫(yī)學應用方面已取得了一些突破。在生物醫(yī)學問題解答（biomedical question answering, BioQA）領域，需要從文檔和數(shù)據(jù)集的存儲庫中快速、準確地找到用戶提出的問題的答案。因此，可以期望自然語言處理技術能夠搜索富含信息的答案[49]。首先，需要將生物醫(yī)學問題分為不同的類別，以便從答案中提取適當?shù)男畔?。機器學習可以將生物醫(yī)學問題分為4種基本類型，準確率接近90% [50]。然后，智能生物醫(yī)學文獻檢索系統(tǒng)可以有效地檢索最有可能包含生物醫(yī)學問題答案的部分文獻[51]。一種處理4種基本生物醫(yī)學問答類型之一的新方案，即基于單詞情感分析的“是”或“否”的答案生成器，可以有效地從二進制答案中提取信息[52]。

生物醫(yī)學信息處理中一個非常重要的任務是收集較長的時間段內(nèi)不同來源的臨床信息，并進行信息合并、比較和沖突解決[53]。長期以來，這是一項由人來完成的耗時、費力且不令人滿意的工作。人工智能已被證明能夠高效率和準確地完成這些任務，其結果與專業(yè)評估人員所能做到的一樣準確[54]。此外，需要對醫(yī)學敘述數(shù)據(jù)進行自然語言處理，以使人類從跟蹤時間事件同時保持結構和前因后果的挑戰(zhàn)性任務中擺脫出來[55]。機器學習可用于處理高度復雜的臨床信息（如文本及其各種相關的生物醫(yī)學數(shù)據(jù)），將邏輯推理納入數(shù)據(jù)集，并將所學知識用于多種目的[56]。

圖2 . 一種適合當?shù)乩淆g化的環(huán)境輔助生活模式原型[39]。SMS：短消息服務（short message service）。

2.3. 生物醫(yī)學研究中的人工智能

除了能夠作為疾病診斷、管理和預后的電子醫(yī)生“eDoctor”，人工智能作為生物醫(yī)學研究中的一個強大工具還有未被探索的用途[57]。在全球范圍內(nèi)，生物醫(yī)學研究和創(chuàng)新活動中的人工智能可以加速學術文獻的篩選和索引[58,59]。在這個方向上，最新的研究課題包括腫瘤抑制機制[60]、蛋白質(zhì)-蛋白質(zhì)相互作用信息提取[61]、人類基因組遺傳關聯(lián)的生成以幫助將基因組發(fā)現(xiàn)轉移到醫(yī)療實踐[62]等。在文獻總結方面，生物醫(yī)學研究人員可以有效地借助基于語義圖的人工智能方法，對給定感興趣的主題完成要求較高的任務[63]。此外，在論文數(shù)量超出可讀性時，人工智能不僅可以幫助生物醫(yī)學研究人員搜索到感興趣的文獻，還可以對其進行排序。這使得研究人員可以制定和測試切題的科學假設，這是生物醫(yī)學研究的一個非常重要的部分。例如，研究人員可以在人工智能的幫助下，在不斷增加的文獻量中篩選和排列感興趣的圖表[64]，以制定和測試假設。

一些智能醫(yī)療設備正變得越來越“有意識”[65,66]，可以在生物醫(yī)學研究中對這種“意識”進行探索。被稱為“計算建模助手”（computational modeling assistant,CMA）的智能代理可以幫助生物醫(yī)學研究人員從他們的概念模型中構建“可執(zhí)行”的模擬模型[67]。圖3 [67]顯示了CMA與人類研究人員之間的流程和交互的總體圖。CMA擁有各種知識、方法和數(shù)據(jù)庫。研究者的假設被表示為生物模型，也被提供給CMA作為輸入。CMA的智能使所有這些知識和模型得以整合，并將研究者的假設轉化為具體的模擬模型。然后，研究人員審查并選擇最佳模型，CMA為所選模型生成仿真代碼。通過這種方式，CMA能夠顯著加快研究過程并提高產(chǎn)出率。此外，一些具有直覺的機器可以指導生物醫(yī)學成像、口腔外科和整形外科等領域的科學研究[68,69]。為了更好地理解這一發(fā)展的影響，有學者對人類意識和機器意識及其與生物醫(yī)學工程的相關問題進行了討論[70]。

3. 疾病診斷與預測

圖3 . 從各種本體和知識數(shù)據(jù)庫的角度[68]，對研究者和CMA之間的過程流和相互作用進行了一般性的展望。ODE：常微分方程（ordinary differential equation）；PDE：偏微分方程（partial differential equation）；GO：基因腫瘤學（gene oncology）；FMA：解剖學本體基礎模型（foundational model of anatomy ontology）；SBO：系統(tǒng)生物學本體（systems biology ontology）；REX：物理化學過程本體（physicochemical process ontology）。

在生物醫(yī)學領域，疾病診斷對人工智能有最迫切的需求。這一領域取得了許多有趣的突破。人工智能使衛(wèi)生專業(yè)人員能夠?qū)Χ喾N疾病進行早期和更準確的診斷[71]。一類主要的診斷是基于使用生物傳感器或生物芯片的體外診斷。例如，基因表達，這是一個非常重要的診斷工具，可以通過機器學習進行分析，其中人工智能解釋微陣列數(shù)據(jù)以分類和檢測異常[72,73]。另一個新的應用是將癌癥微陣列數(shù)據(jù)分類用于癌癥診斷[74]。

生物傳感器和相關的床邊診斷系統(tǒng)（point-of-care testing, POCT）在集成人工智能后，可用于早期診斷心血管疾病[75]。除了診斷，人工智能還可以幫助預測癌癥患者的生存率，如結腸癌患者[76]。研究人員還發(fā)現(xiàn)了機器學習在生物醫(yī)學診斷中的一些局限性，并建議采取措施將這些缺陷的影響降到最低[77]。因此，人工智能在診斷和預測方面仍有很大的潛力。

另一類重要的疾病診斷是基于醫(yī)學成像（二維信息）和信號處理（一維信息）。這些技術已被用于疾病的診斷、管理和預測。在一維信號處理方面，人工智能已應用于生物醫(yī)學信號特征提取[78]，如腦電圖（electroencephalography, EEG）[79]、肌電圖（electromyography,EMG）[80]和心電圖（electrocardiography, ECG）[81]。腦電圖的一個重要應用是癲癇發(fā)作的預測。預測癲癇發(fā)作對減少其對患者的影響具有重要意義[82]。近年來，人工智能被公認是精確可靠的預測系統(tǒng)的關鍵要素之一[83,84]?，F(xiàn)在可以通過深度學習進行預測[85]，預測平臺可以部署在移動系統(tǒng)中[86]。人工智能還可以在基于生物醫(yī)學圖像處理的診斷中發(fā)揮重要作用[87]。人工智能已被用于圖像分割[88]、多維成像[89]和熱成像[90]，以提高圖像質(zhì)量和分析效率。人工智能還可以部署在便攜式超聲波設備中，這樣未經(jīng)訓練的個人就可以使用超聲波在欠發(fā)達地區(qū)作為診斷多種疾病的強大工具[91]。

除上述應用外，人工智能還可以幫助標準決策支持系統(tǒng)（decision support system, DSS）[92,93]提高診斷準確性，促進疾病管理，減輕人員負擔。例如，人工智能被用于癌癥的綜合管理[94]，支持熱帶疾病[95]和心血管疾病[96]的診斷和管理，支持診斷的決策過程[92]。所有這些應用都表明，人工智能可以作為一個強有力的工具，用于早期和準確的診斷、管理甚至預測疾病和患者狀況。本文給出兩個案例研究，詳述如下。

4. 醫(yī)療衛(wèi)生

人工智能正在覆蓋廣泛的醫(yī)療保健應用[97]。特別是，它被用于信號和圖像處理，以及人體功能變化的預測，如膀胱控制[98]、癲癇發(fā)作[99]和中風預測[100]等。下面我們將介紹兩個典型的案例研究，即膀胱充盈和癲癇發(fā)作預測。

4.1. 膀胱容積預測

當由于脊髓損傷或其他神經(jīng)系統(tǒng)疾病、健康狀況或老化導致膀胱儲存和排尿功能失效時，會發(fā)生各種并發(fā)癥，影響患者的健康狀況。目前，可以通過植入式神經(jīng)刺激器來實現(xiàn)藥物難治性患者膀胱功能的部分恢復。為了通過有條件的神經(jīng)刺激來提高所使用的神經(jīng)假體的效率和安全性[101]，需要一種檢測存儲尿液的膀胱傳感器來提供一種反饋裝置，僅在需要時才應用電刺激。該傳感器還可用于感覺受損的患者在需要排空膀胱時或在不完全排尿后殘余排尿量異常高時通知患者。

我們提出了新的方法[102]并開發(fā)了一個專用的數(shù)字信號處理器[103]，利用膀胱中普通的神經(jīng)根（機械感受器）的傳入神經(jīng)活動來檢測尿液中的壓力和充盈度，并可描述填充過程中的變化。

智能神經(jīng)假體通常由兩部分組成：一部分植入患者體內(nèi)；另一部分作為可穿戴設備攜帶。這兩個裝置通常通過無線鏈路連接，該鏈路將數(shù)據(jù)和能量傳輸給植入物。內(nèi)部單元執(zhí)行多種功能：神經(jīng)信號記錄；傳遞感覺信息之信號的芯片內(nèi)處理（取決于應用的不同程度）；使用功能電刺激（functional electrical stimulation, FES）技術對適當神經(jīng)進行神經(jīng)刺激；與外部單元通信；植入裝置的邏輯控制功能。當需要額外的信號處理來執(zhí)行更復雜的算法時，需要額外的計算能力。由于尺寸、功耗、溫升、電磁放電等原因，有些算法不適合在植入物內(nèi)執(zhí)行。內(nèi)部單元將記錄的信號發(fā)送給外部單元，外部單元將執(zhí)行更復雜的計算，并將返回適當?shù)纳窠?jīng)刺激命令。外部基站集成了植入物用戶界面和植入物計算機界面，以提高靈活性。

本節(jié)所述的工作旨在設計一種有效的膀胱植入式容積和壓力傳感器，能夠向神經(jīng)假體提供必要的反饋。該傳感器最終可用于實施條件神經(jīng)刺激方法以恢復膀胱功能，或用于對因上述幾種疾病和條件而感覺受損的患者進行膀胱充盈感測。為了更好地滿足患者對膀胱神經(jīng)假體裝置的需求，我們選擇在植入式裝置中實施一個優(yōu)化的數(shù)字信號處理器，能夠?qū)崟r解碼膀胱壓力和容量。這種方法極大地影響了下面描述的最合適的預測方法的選擇。

我們提出了基于機器學習算法的定性和定量監(jiān)測方法，對膀胱自然傳感器（即響應膀胱壁伸展的機械感受器）產(chǎn)生的神經(jīng)傳入活動進行解碼。為了實現(xiàn)這些方法，需要對植入單元記錄的神經(jīng)活動進行檢測、鑒別（分類），然后實時解碼。提出的定性方法僅在三個層面（即低、中、高）對膀胱充盈度進行解碼。這種方法允許使用更少的硬件資源并顯著減少運算量，從而使功耗最小化。定量方法需要更復雜的算法來計算膀胱體積或壓力，以反饋神經(jīng)刺激的閉環(huán)系統(tǒng)，但由于采用了定制的硬件，因此在植入裝置中可以以最小功耗運行。

用于定性和定量方法的監(jiān)控算法首先實時執(zhí)行離線學習階段（也稱為訓練階段）。在此階段，傳感器學習或識別用于實時監(jiān)控的參數(shù)。在學習階段，我們可以選擇最好的算法，不管它們的復雜性和執(zhí)行時間如何，因為它們是在通過外部單元連接到植入物的計算機中離線執(zhí)行的。由于學習階段的存在，我們可以將復雜度和硬件負擔轉移到離線處理中，從而使實時監(jiān)控階段能夠以較低的復雜度和有效的預測算法以及優(yōu)化的功耗來實現(xiàn)。學習階段包括6個方面。

（1）數(shù)字數(shù)據(jù)調(diào)節(jié)：帶通濾波、帶非因果線性相位有限脈沖響應（finite input response, FIR）濾波器。

（2）識別與膀胱容積和（或）壓力最相關的傳入神經(jīng)活動（圖4所示示例中的單元1）。使用斯皮爾曼等級相關系數(shù)（ρ）而不是皮爾遜（線性）相關系數(shù)，因為前者更傾向于評估單調(diào)依賴性，而不一定是線性的，這提高了我們估計方法的魯棒性。等式（1）用于計算斯皮爾曼等級相關系數(shù)：

式中，ρk為k類單元的斯皮爾曼系數(shù)；k為檢測到的等級數(shù)；n為沿記錄信號使用的時間幀數(shù)，此后稱為幀數(shù)；FRi,k為裝置使用的每秒放電率；Vi,k為同一幀數(shù)的平均體積；分別為相對k級的所有放電率和容積幀數(shù)的平均值。

（3）本底神經(jīng)活動的計算：本底基線是由膀胱充裝生理鹽水前60 s的神經(jīng)放電率（firing rate, FR）的平均值計算得到。

（4）使用幀數(shù)進行容積曲線量化。結果在有限數(shù)量的幀數(shù)中，選擇適當?shù)膶挾?，并以此定義為幀寬（bin width, BW）。

（5）FR積分：計算幀數(shù)內(nèi)的FR（即所選單元幀數(shù)內(nèi)檢測到的尖峰數(shù)量），此后稱為幀數(shù)積分率（ bin-inte-grated-rate, BIR）。

圖4 . 在膀胱緩慢填充中記錄的傳入活動記錄（ENG），同時顯示了識別的三個單元的尖峰掃描。在本例中，第1單元的活動與膀胱容積的相關性最好。ENG：電神經(jīng)圖；Pves：膀胱壓力；U1：第1單元；U2：第2單元；U3：第3單元。

（6）體積或壓力預測。如前所述，我們使用兩種算法進行膀胱體積或壓力預測，定性預測三個級別的膀胱充盈度，另一個用于量化。下面簡要介紹兩種算法。

定性容積或壓力預測算法預測三個代表膀胱充盈度的水平（低、中、高）：低容積（舒適水平）、需要排空的容積水平（在預定的時間內(nèi)）以及促使排空的高容積（尿液泄漏的風險）。設定的閾值對應于膀胱容積的0.25倍、0.5倍和1.0倍。通過在學習階段使用基于線性回歸的算法，我們計算了上述三個充盈度的BIR0.25、BIR0.5和BIR1.0。最后，通過在實時計算的BIR內(nèi)找到最小距離，并存儲參考值（BIR0.25、BIR0.5和BIR1.0），實現(xiàn)了定性體積或壓力預測?；谶@種方法，每個幀數(shù)被分配到三個充盈度級別中的一個。為了找到最佳的幀數(shù)長度，使用不同的間隔對幀寬BW進行掃描，并使用等式（2）得出最佳（最低）定性估計誤差（Equal）。為了計算等式（2）中的Equal，我們計算了總體成功率（overall success rate,OSR）[104]，即狀態(tài)的所有良好分類與所有執(zhí)行分類的比率。OSR是通過添加Bi并除以幀數(shù)的總數(shù)（n）來評估的，Bi是估計狀態(tài)與實際狀態(tài)匹配的幀數(shù)的數(shù)量。

為了實現(xiàn)定量的體積和壓力估計，利用較少的硬件資源，采用回歸方法模型，如等式（3）所示：

式中，為估算體積；BIR如上文所定義；ci為回歸模型系數(shù)。我們使用雙夸爾魯棒擬合方法來計算ci，并將異常值的影響最小化[105]。通過對動物模型的真實神經(jīng)記錄進行模擬（試驗），得出回歸模型的最佳順序（N），如等式（3）所示。通過多次模擬試驗，我們選擇了最小N和最短BW，其估計誤差最小。

用代替，等式（3）也可用于估算壓力。壓力估計所需的參數(shù)也可以在學習階段計算。

我們使用均方根誤差（root mean square error,RMSE），這是用式（4）計算的，用于在實時測試運行中驗證算法，在等式（4）中，Vi為幀數(shù)i的當前體積（或壓力Vi）；（或）為使用等式（3）計算的相同幀數(shù)i的體積（或壓力）估算值；n為幀數(shù)的總數(shù)。

實時監(jiān)測階段運行以下步驟：①數(shù)字非因果濾波；②動態(tài)尖峰分類；③使用最佳BW進行BIR計算；④將BIR與基線進行比較，并對于較低值將體積設置為0，如果BIR較高，則繼續(xù)；⑤使用等式（3）計算膀胱體積或壓力。如圖5 [106]中的示例所示，我們執(zhí)行了幾個運行來測試和驗證算法。

圖5 . 模擬實時數(shù)據(jù)處理實驗中的定量體積估計[106]。第一個測量周期被用作一個訓練階段，隨后是兩個連續(xù)的周期，其中體積是從訓練階段計算出來的。使用6階回歸模型，該纖維的最佳BW為47 s。第一個周期的擬合誤差和后兩個周期的估計誤差都很小，各周期的RMSEall分別為2%、3.9%和4.1%。

最后，利用麻醉大鼠的急性實驗數(shù)據(jù)驗證了所有的算法。有關這些實驗和預測算法的更多詳細信息，請參見文獻 [102]。

當記錄的輸入活動顯示斯皮爾曼相關系數(shù)為0.6或更好時，我們成功地在100%的試驗中定性預測膀胱充盈的三種狀態(tài)。我們還成功地利用適當選擇的時間窗定量預測了膀胱容積和壓力。

我們實現(xiàn)了一個專用的數(shù)字信號處理器（digital signal processor, DSP），如圖6 [106]所示，運行上述算法用于監(jiān)控膀胱容積或壓力。DSP實時運行膀胱傳入神經(jīng)活動的動態(tài)尖峰分類和感測解碼，以預測本節(jié)所述的體積或壓力值。使用合成數(shù)據(jù)（已知先驗基礎事實）和來自膀胱傳入神經(jīng)的急性實驗記錄的信號驗證專用DSP。

動態(tài)峰值排序算法在專用DSP上運行，與文獻[103]中報道的其他工作相比具有優(yōu)勢。即使使用由高相關峰值波形和低信噪比（signal-to-noise ratio, SNR）組成的復雜合成信號，我們也獲得了更高的精度（92%）。體積或壓力預測模塊在定量和定性估計方面的準確率分別為94%和97%。

4.2. 癲癇發(fā)作預測

癲癇是一種神經(jīng)退行性疾病，是最常見的神經(jīng)疾病之一，其特征是自發(fā)、不可預測和反復發(fā)作[107,108]。雖然首選治療方案包括長期藥物治療，但藥物治療對超過1/3的患者是無效的。

另一方面，由于癲癇手術成功率非常低，并且伴有并發(fā)癥，求助于癲癇手術的患者比例仍然相對較低。一個有趣的研究方向是探索預測癲癇發(fā)作的可能性，如果可行的話，可能會促使制定替代性干預策略[83]。雖然早期癲癇預測的研究可以追溯到20世紀70年代[109]，但癲癇事件的數(shù)量有限、顱內(nèi)腦電圖（intracranial electroencephalography, iEEG）記錄的缺乏以及發(fā)作間隔期的有限程度一直是充分評估癲癇預測表現(xiàn)的主要障礙。

有趣的是，通過ieeg.org在線門戶網(wǎng)站[110]可獲取植入動態(tài)監(jiān)測裝置（NeuroVista）的天然癲癇犬的iEEG信號。然而，癲癇發(fā)作區(qū)并未公開或可用。我們課題組已經(jīng)調(diào)查了利用上述犬類數(shù)據(jù)預測發(fā)作的可能性。隨后，我們對位于癲癇網(wǎng)絡內(nèi)的電極進行了基于直接傳遞函數(shù)（directed transfer function, DTF）的定量識別[111]。采用遺傳算法對發(fā)作前狀態(tài)的特征進行選擇。提出了一種新的擬合函數(shù)，該函數(shù)對偏態(tài)數(shù)據(jù)分布不敏感。研究顯示，在預警時間占比為10%的情況下，平均敏感度為84.82%，提高了先前的癲癇預測性能[111]。

為了尋找癲癇發(fā)作預測的新機會，我們還探索了基于高階譜分析的新特征來跟蹤癲癇發(fā)作前狀態(tài)。然后將提取的特征作為多層感知器的輸入進行分類。我們的初步發(fā)現(xiàn)顯示，使用三種雙譜提取特征中的每一種，發(fā)作間隔期和發(fā)作前狀態(tài)之間存在顯著差異（p＜ 0.05）。平均振幅、歸一化雙譜熵和歸一化平方熵分別達到了73.26%、72.64%和78.11%的測試精度。此外，我們發(fā)現(xiàn)在相同的雙側犬iEEG記錄中，癲癇發(fā)作前期和發(fā)作間隔期的平均相位-振幅耦合狀態(tài)總是存在差異[112]。

圖6 . 用于膀胱容積或壓力監(jiān)測的專用數(shù)字信號處理器[106]。

相比之下，我們還探索了在高密度記錄中使用定量有效連通性測量來確定癲癇發(fā)作活動網(wǎng)絡的可能性。此前，DTF用于量化iEEG記錄之間因果關系的能力已經(jīng)驗證過。然而，分析信號的準平穩(wěn)性仍然是避免iEEG觸點間假連接的必要條件[113]。雖然在處理相對較少的接觸時，可以識別固定的時間點，但在分析高密度iEEG信號時，它變得更具挑戰(zhàn)性。最近，人們提出了一種時變DTF，即頻譜加權自適應定向傳遞函數(shù)（spectrum weighted adaptive directed transfer function,swADTF）。swADTF能夠處理非平穩(wěn)性問題，并自動識別感興趣的頻率范圍[113]。隨后，我們通過在高密度記錄上使用swADTF驗證了發(fā)現(xiàn)癲癇發(fā)作活動發(fā)生區(qū)域和消亡區(qū)域的可能性[114]。該數(shù)據(jù)庫由在蒙特利爾大學醫(yī)院中心接受術前評估的難治性癲癇患者的數(shù)據(jù)組成。有趣的是，對于手術切除后沒有癲癇發(fā)作的患者，確定的癲癇活動源在癲癇灶和切除體積內(nèi)。相反，在術后仍有癲癇的患者中發(fā)現(xiàn)了額外的或不同的發(fā)生區(qū)域。我們的研究結果強調(diào)了使用swDTF精確識別癲癇發(fā)作發(fā)生和消亡部位的可行性。因此，在未來的癲癇預測研究中，推薦了基于有效連通性措施的電極選擇方法。

最近的發(fā)現(xiàn)強調(diào)了利用iEEG記錄預測癲癇發(fā)作的可行性；從發(fā)作間隔期到發(fā)作狀態(tài)的轉變包括一個“積聚”，可以通過高級特征提取和人工智能技術進行跟蹤。然而，在將現(xiàn)有方法轉化為真正的臨床設備之前，需要在特征提取、電極選擇以及硬件和深度學習實現(xiàn)等方面進行進一步的研究。

5. 結論

本文綜述了人工智能在生物醫(yī)學應用的最新進展，包括疾病診斷與預測、生活輔助、生物醫(yī)學信息處理和生物醫(yī)學研究。人工智能還在許多其他的生物醫(yī)學領域有著有趣的應用。可見，人工智能在生物醫(yī)學中發(fā)揮著越來越重要的作用，不僅是因為人工智能自身的不斷進步，還因為生物醫(yī)學問題固有的復雜性和人工智能解決此類問題的適用性。新的人工智能技術能力可為生物醫(yī)學提供新的解決方案，生物醫(yī)學的發(fā)展對人工智能的能力提出了新的要求。這一供求匹配和耦合發(fā)展將使這兩個領域在可預見的未來取得顯著進展，最終將有利于提高有需求的患者的生活質(zhì)量。

Nomenclature

AAL ambient assisted living

AI artificial intelligence

AN artificial neural network

ASIC application-specific integrated circuits

BioQA biomedical question answering

BIR bin-integrated rate

CMA computational modeling assistant

DSP digital signal processor

DSS decision support system

DTF directed transfer function

ECG electrocardiography

EEG electroencephalography

EMG electromyography

ES-MR expert system for memory rehabilitation

CPU central processing unit

GPU graphical processing unit

FES functional electrical stimulation

FIR finite impulse response

FPGA field-programmable gate array

HMI human-machine interface

iEEG intracranial electroencephalography

IoT Internet of Things

ML machine learning

NN neural network

PDA personal digital assistant

PLA people with loss of autonomy

POCT point-of-care testing

RMSE root mean square error

SALSA screening of activity limitation and safety awareness

swADTF spectrum-weighted adaptive directed transfer function

FR firing rate

BW bin width

OSR overall success rate

致謝

本工作得到了西湖大學科研啟動基金（041030080118）與西湖大學-博智林機器人聯(lián)合研究院科研經(jīng)費（10318H991901）的支持。

Compliance with ethics guidelines

Guoguang Rong, Arnaldo Mendez, Elie Bou Assi, Bo Zhao, and Mohamad Sawan declare that they have no conflict of interest or financial conflicts to disclose.