人工智能与康复辅助决策
1.基于人工智能的康复辅助决策研究现状
（1）脑卒中诊断的辅助决策。
脑血管突然破裂出血或脑血管阻塞导致血液无法流入大脑，造成脑组织损伤从而引起脑卒中。脑组织长时间受损会给患者造成极大危害，因此脑卒中的早期、快速诊断非常关键。目前针对脑卒中诊断的辅助决策研究主要针对脑卒中类型诊断、病变部位诊断。
对于脑卒中类型诊断的辅助决策，Mirtskhulava等将严重感觉异常、有无移动能力障碍等与脑卒中风险相关因素（吸烟史、糖尿病史等）相结合，共纳入16个属性作为模型输入。使用莱文贝格-马夸特（Levenberg-Marquardt）反向传播算法用于训练网络，最后为脑卒中患者建立双层前馈网络的诊断模型。Mesri等通过在患者头部周围放置天线阵列进行微波测量，检测患者的纳入情况。微波测量装置由10对发射和接收天线组成，首先通过对每对天线进行扫描，扫描100MHz到3GHz的频率，估算出阵列系统微波散射数据。然后使用高阶奇异值分解（High Order Singular Value Decomposition，HOSVD）对微波散射数据进行分类。最后使用临床数据对分类器的性能进行分析。实验结果显示，从健康受试者中识别出血性脑卒中的实验敏感性和特异性达到100%；缺血性脑卒中患者与出血性脑卒中患者相比，其HOSVD分解后的角度值更大，且在发病早期测量的分类效果最佳。
目前已有多项关于脑卒中患者病灶部位、大小与神经损伤、残疾相关的研究。获得较为精确的病灶体积能够帮助客观量化脑卒中病情及预后评估。确认病灶对于后续治疗十分重要。Rajini等提出一种自动检测缺血性脑卒中微小病灶的新方法。该方法将计算机断层扫描图像中的缺血性脑卒中区域与健康组织分离，总体流程分为预处理、分割、脑中线追踪、纹理特征提取及分类五个阶段。缺血性脑卒中早期诊断方法的应用，提高了临床工作的效率和准确性。实验结果显示，在该方法中支持向量机、K近邻算法、人工神经网络及决策树算法的准确率分别为98%、97%、96%和92%，平均重叠度、平均精度和平均召回率分别为98%、99%和98%。
（2）脑卒中治疗的辅助决策。
目前临床上脑卒中的治疗主要包括药物治疗、手术治疗及康复治疗。
在针对药物治疗的临床辅助决策中，研究人员针对较为复杂的溶栓治疗、抗凝治疗及其他药物治疗进行了研究，主要使用机器学习、图像处理等计算机方法对患者数据进行处理，得到药物辅助决策结果后对医生进行结构化展示。
Bentley等使用106例（16例SICH）急性缺血性脑卒中患者的CT图像预测患者是否应进行溶栓治疗。实验采用SVM（Support Vector Machine）算法进行预测分析，使用100例患者信息作为模型输入，其余6例作为测试集，进行多次交叉验证。SVM预测模型的AUC（Area Under Curve）为0.744，其他预测模型的AUC在0.626～0.720之间。实验表明，该模型能够很好地区分SICH与非SICH患者。Zhao等通过收集患者脑卒中症状量表、历史疾病信息、舌脉诊断信息以及理化指标等300多个指标，使用统计分析、特征选择、降维等方法最终得到36个特定指标，将患者与中成药、中成药与中成药之间向量表示的相似结果进行融合，得到中成药治疗脑卒中的辅助决策模型。实验结果显示，35名患者中针对21种药物的用药平均精确度达到85.79%，针对每位患者用药的平均精确度达到62.69%。
针对手术治疗，目前临床辅助决策研究主要致力于帮助医生判断患者是否需要进行手术以及术中信号实时监测等。
Acharya等基于颈动脉超声图像对粥样硬化斑块分类，首先采用二维离散小波变换进行特征提取，其次使用核函数将特征映射到更高维度的空间，最后通过SVM进行分类，识别患者是否需要颈动脉内膜剥脱术（Carotid Endarterectomy，CEA）。实验结果显示，分类模型对346例颈动脉超声图像的分类准确度、灵敏度、特异度分别达到83.7%、80.0%和86.4%。Sombune等提出了一种用于颈动脉支架术中脑栓塞实时监测的自动分类算法。使用自适应小波包变换对患者的经颅多普勒超声（Transcranial Doppler，TCD）信号进行术中风险信号检测后，通过顺序特征选择算法提取信号的7个主要特征，将7个特征作为模糊神经网络输入，生成模糊规则用于监测脑栓塞。实验通过对19名患者的TCD信号进行交叉验证，分类结果的准确度和灵敏度分别为90.5%和91.5%。
针对康复治疗，目前临床辅助决策系统主要为患者的运动功能障碍、认知功有障碍等制订个性化的康复治疗方案。
在运动功能障碍方面，Zhao等使用Kinect为在家进行康复训练的用户提供自动实时评估、反馈和指导。通过创建静态规则和不变规则检测动作不规范的帧，同时创建动态规则检测用户动作重复情况。实验通过对8名正常受试者进行保龄球、髋关节外展和坐姿三种康复训练测试，证明该系统可以代替治疗师进行康复训练指导。Solana等提出为认知功能障碍患者提供个性化远程康复服务的决策支持平台。该平台为患者提供个性化任务分配、医患交流等服务，为治疗师提供远程监控服务。对治疗师以及患者进行问卷调查的结果显示，该平台可用性得分高于70分，成本仅为传统康复的1/20。
（3）脑卒中预后预测的辅助决策。
预后预测是通过结合当前临床医学干预水平、临床经验来判断疾病的近期和远期疗效、转归或进展的程度，以及后续所需要的治疗时间和程序等。Townsend等提出一种计算框架，通过构建本体，使用语义增强数据挖掘技术从现有医疗资源中获取相关知识，预测神经运动功能恢复水平，帮助治疗师更好地制订干预治疗计划。
Nijland等提出了一种脑卒中后功能预后的早期预测方法。该方法使用22名脑卒中患者进行计算预测模型构建，分别采集131名脑卒中患者入院后72小时、3个月以及6个月后的上肢功能评分进行模型评估，将预测结果与治疗师人工预测结果进行对比。实验证明该方法的准确率远远高于治疗师人工预测。
Scalzo等提出急性脑卒中后组织结局的定量预测模型。该模型以发病后组织状态作为输入，使用流体衰减反转恢复和多模态灌注特征作为判断依据来预测组织结局。该预测问题被转换为一个非线性光谱回归问题，其中输入是从流体衰减反转恢复和灌注图像中提取的局部多模态长方体。对7例脑卒中患者的实验证明了该方法在预测组织结局方面的有效性，以及与传统线性模型相比的优越性。
2.基于人工智能的康复辅助决策实践
（1）基于注意力机制和双向GRU网络的脑卒中偏瘫辅助诊断。
脑卒中患者的早期诊断对于后续治疗尤为关键。根据诊断情况，有针对性地采取治疗措施能够有效改善患者预后。脑卒中患者的诊断包括患者分型和分期。其中分型指脑卒中类型，脑卒中类型主要包括缺血性脑卒中和出血性脑卒中两大类；分期指患病严重程度，与病变部位、大小等有关，主要为功能障碍的严重程度。而脑卒中患者最常见的功能障碍为运动功能障碍（偏瘫），因此针对脑卒中患者的偏瘫分期诊断尤为重要。
1）实现方法：传统偏瘫分期的诊断依赖医生的经验，经验较少的医生会存在误诊现象，且受医生本人主观因素影响较大。为克服传统诊断中存在的问题，本研究提出脑卒中偏瘫辅助诊断模型。通过患者电子病历提取患者查体情况与评估结果，训练基于注意力机制与双向GRU网络得到患者患病特征，然后通过Softmax对患者特征进行分类，最终得到患者偏瘫分期预测结果。
传统双向GRU网络虽能提取上下文中的语义特征，但是忽略了不同词语包含的信息程度不同。添加注意力机制可对蕴含更多信息的词汇和句子赋予更高权重，提高分类准确度。以其中一条数据为例，患者专科查体与评估情况如下：患者左侧肢体偏瘫。改良Ashworth分级：踝跖屈肌肌张力1级。监护下可扶拐站立，少量帮助下可扶栏杆步行30米。Brunnstrom分期：下肢Ⅲ期。由于患者左侧上肢较无力，自主活动较差，导致患者需要他人帮助完成自理活动。Fugl-Meyer评分：①运动：下肢17分，共同运动不完全；②平衡8分；③感觉：减退；④被动关节活动度：正常；⑤疼痛：无疼痛。由于患者躯干力量较弱且颈椎、腰部有疼痛，导致患者转移时需要帮助。由于患者左侧手部无活动，患者依赖家属、护工照顾。将整段查体与评估结果看作一个文档。
其中的每个词、句组成文档的词与句。以数据样本中的一句话为例：由于患者左侧上肢较无力，自主活动较差，导致患者需要他人帮助完成自理活动。将整句话看作组成文档的句子。该句分词结果为：由于/患者/左侧/上肢/较/无力/自主/活动/较差/导致/患者/需要/他人/帮助/完成/自理/活动。“由于”“患者”“左侧”等都看作一个词。对于这句话来说，“较差”“无力”这种词更能反映患者身体状况。所以将注意力机制融入双向GRU网络中能够更好地提取查体与评估结果中的语义信息，基于注意力机制和双向GRU网络结构见图6-10。
图6-10 基于注意力机制和双向GRU网络结构
2）数据集：数据包括589名脑卒中后偏瘫患者的评估信息、查体信息以及偏瘫分期结果。将该数据作为脑卒中患者分期的训练集和测试集。使用脑卒中后偏瘫患者的专科查体情况与评估信息作为输入。使用患者偏瘫分期结果作为输出。患者分期包括软瘫期、痉挛期、恢复期。在589名真实患者数据集进行模型训练和模型验证，将实验结果与卷积神经网络、多层感知机和LSTM模型进行对比（图6-11）。
图6-11 辅助诊断模型准确率直方图
损失函数可以很好地反映模型与实际数据的差距。损失函数越小，模型鲁棒性就越好。辅助诊断模型损失函数变化折线图见图6-12。
图6-12 辅助诊断模型损失函数变化折线图
除LSTM前期震荡，模型后期均趋向收敛。LSTM前期震荡是由于数据集中每个文档字数各不相同，数据维度存在较大变化，单个样本参数更新方向随机性大，容易震荡。使用准确率、最终损失函数值作为模型的评估指标，在589名真实患者数据集验证各模型的分类准确率、最终损失函数值。相比于其他算法得到的准确率，本研究提出的基于注意力机制和双向GRU网络的脑卒中辅助诊断方法有较高的准确率，验证了本研究所提的方法在脑卒中辅助诊断上的优越性。
（2）基于VGG16和Unet网络的脑卒中康复治疗方案推荐。
临床观察显示，合理的康复治疗是改善脑卒中患者身体功能和降低死亡率的有效方法。但由于患者病情和个体差异较大，康复治疗需要有针对性地进行。传统治疗模式由医生查看患者查体与评估结果来制订康复治疗方案，主要依赖医生的主观经验，具有一定的主观性，不同医师之间差异较大。
1）实现方法：为脑卒中患者进行康复治疗可以看作一个多标签分类问题。每个患者的康复治疗方案数量针对不同情况会有所不同，病情严重的患者会采用更多治疗手段。本研究创新地提出将VGG16和Unet相结合的方法用于脑卒中患者的康复方案推荐工作。VGG16-Unet网络结构见图6-13。使用脑卒中患者的查体与评估结果作为输入，首先将查体与评估结果转化为词向量，使用词向量作为模型输入。网络分为两部分：患者特征提取和患者特征重构。
图6-13 VGG16-Unet网络结构(https://www.daowen.com)
由于患者查体与评估结果的文本中富含的特征信息较多，为了提高模型计算效率，首先使用VGG16进行进一步的特征提取。根据不同的网络深度，VGG可分为VGG11、VGG13、VGG16及VGG19。目前应用最广泛的为VGG16和VGG19。
VGG16包含16个隐藏层，其中13层为卷积层，剩余3层为全连接层。VGG16网络结构见图6-14。
图6-14 VGG16网络结构
2）数据集：数据集由499名脑卒中后偏瘫患者的数据构成，包括患者查体与评估结果以及医生为患者开具的真实康复治疗方案。使用患者的专科查体与评估结果作为模型输入，康复治疗方案作为输出。将该数据作为脑卒中患者康复治疗方案推荐的训练集和测试集，构建康复治疗方案推荐模型。499名患者的治疗方案包含74项康复治疗内容，每个治疗内容看作一个标签。
3）实验结果：治疗方案推荐模型损失函数值变化折线图见图6-15。三种模型均趋近收敛，在模型训练的开始时期，使用交叉熵作为损失函数的Loss值更小，但是在模型训练的最后，使用VGG16作为特征提取方法的两种模型，性能均为最优，损失函数最小值可达0.06。
在499名真实患者数据集上进行验证，使用精确度、召回率以及最终损失函数值作为模型的评估指标，治疗方案推荐模型结果对比见表6-3。
图6-15 治疗方案推荐模型损失函数值变化折线图
表6-3 治疗方案推荐模型结果对比
本研究提出的基于VGG16和Unet网络的康复治疗推荐模型有较高的准确率，在各性能上均表现优越。
（3）基于改进LSTM网络的脑卒中康复预后预测。
预后是指根据医生自身经验预测患者疾病发展情况。疾病预后与患者患病程度、医院医疗水平及并发疾病等诸多因素有关。进行预后预测可降低患病或致死、致瘫风险，改善症状。传统预后需要医生根据临床症状或影像学信息，掌握患者病因、病理及病情程度，结合自身临床经验来判断近、远期疗效或恢复程度等。医生进行正确的预后预测有助于引导患者配合治疗，采取正确的治疗手段，促进患者康复。
脑卒中的预后要根据病变部位、时间长短、病情轻重以及造成残疾的情况而定。目前针对脑卒中患者的预后预测需要使用患者影像学信息，花费时间较多，成本较高，且仅能预测患者康复的粗略情况，无法精确预测患者功能改善状况。
1）实现方法：本研究提出基于改进LTSM网络的脑卒中康复预后预测模型，使用患者入院时初次评估的量表得分来预测末次评估的量表得分。
LSTM是RNN的一种特殊形式。RNN是通过借鉴人类认知由过往经验和记忆组成的一种特殊网络结构。与CNN不同，RNN不仅考虑当前时刻的输入，也会“记忆”之前网络的输入。考虑到当前序列的输出与网络之前的输出有关，故此RNN被称为循环神经网络。RNN的一个重要的优点在于，能够利用上下文相关信息建立输入、输出序列之间的映射关系。而且RNN将隐藏层之间的节点由无连接变为有连接，即隐藏层也将输入层的输出和上一时刻隐藏层的输出同时考虑进来。
由于RNN的权重系数是共享的，在每一次迭代中可使用相同权重处理所有时间步，解决了传统神经网络不能随时间变化提取特征这一问题。RNN已被应用于处理各种序列数据，在语音识别、生物序列数据分析、文本生成、情感分析等方面有广泛应用，是深度学习有前景的工具之一。RNN时间维度展开图见图6-16。
图6-16 RNN时间维度展开图
为了避免陷入局部极小值、产生局部震荡，本研究提出利用误差函数的二阶导数作为LSTM参数的更新方法来进行改进。改进使用如下形式的误差反向传播参数更新方法，其中H-1为损失函数的黑塞矩阵逆矩阵。
使用损失函数的二阶导数作为参数的更新方式，可以有效解决预后预测中因仅有初评数值与末评数值可能会出现的震荡问题，损失函数收敛得更快，可以减少迭代次数，避免局部震荡而陷入局部极小值。
2）数据集：数据集包括509名脑卒中患者入院初次评估和出院时末次评估的各量表得分情况。本研究将脑卒中患者入院时初次评估的量表得分作为模型输入，出院时末次评估结果作为模型输出，将该数据作为脑卒中患者康复效果预测的训练集和测试集，构建康复效果预测模型。
患者评估项目包括Fugl-Meyer的上肢、下肢、平衡功能评估以及改良Barthel指数评估、偏瘫记录模板、脑卒中评估记录表。其中有些患者在接受治疗后有所改善，各项量表得分均有所提高。由于康复是一个长期的过程，在治疗过程中一些患者情况维持不变。而有些患者由于病情恶化等原因导致情况变差。
3）实验结果：使用509名真实患者数据集进行模型训练和模型验证，对比算法使用卷积神经网络、多层感知机模型，其中预测结果与实际结果之间均方差小于6则视为预测正确。预后预测模型准确率直方图见图6-17。
图6-17 预后预测模型准确率直方图
由于本研究使用均方差作为评估指标，在模型训练时数据误差平方的预测与实际之间相差较大导致数据震荡。虽然在训练后期所有模型都趋于稳定，但是除改进LSTM，其余模型最终损失函数值都比较大。
使用准确率、召回率及最终损失函数值作为模型的评估指标，在509名真实患者数据集验证各模型的分类准确率、最终损失函数值见表6-4。
表6-4 预后预测模型的分类准确率和最终损失函数值对比
预后预测模型损失函数值变化折线图见图6-18。
图6-18 预后预测模型损失函数值变化折线图
基于改进LSTM网络进行脑卒中预后预测在准确率和最终损失函数值上都明显优于其他算法，而且在损失函数局部震荡方面也明显优于其他模型。
（刘勇国）