趙 靜，李康悅，蘭怡娜，印 弘，婁 昕*

(1.解放軍總醫(yī)院第一醫(yī)學(xué)中心衛(wèi)勤部科研處，北京 100853；2.首都醫(yī)科大學(xué)第三臨床醫(yī)學(xué)院，北京 100043；3.解放軍總醫(yī)院第一醫(yī)學(xué)中心放射診斷科，北京 100853；4.空軍軍醫(yī)大學(xué)西京醫(yī)院放射科，西安 710032)

戰(zhàn)創(chuàng)傷在各個(gè)國(guó)家都是一個(gè)重大的公眾健康問(wèn)題。根據(jù)WHO 2000年的報(bào)道，全球每年約有500萬(wàn)人死于戰(zhàn)創(chuàng)傷，占到死亡人口總數(shù)的9%[1]。自改革開(kāi)放以來(lái)，隨著我國(guó)交通和城市化建設(shè)的飛速發(fā)展，交通事故傷作為戰(zhàn)創(chuàng)傷的重要組成部分，已從中國(guó)人口死因譜中1990年的第6位上升到2017年的第5位[2]。同時(shí)，戰(zhàn)創(chuàng)傷還具有“三多”(重傷員多、 多發(fā)傷多、 燒沖復(fù)合傷多)和“三高”(減員率高、 休克率高、 手術(shù)率高)的特點(diǎn)[3]。然而在臨床實(shí)踐中，我國(guó)對(duì)于戰(zhàn)創(chuàng)傷的診治流程卻普遍存在著院前時(shí)間過(guò)久、院內(nèi)銜接不流暢及缺乏標(biāo)準(zhǔn)搶救流程的問(wèn)題[4]，進(jìn)一步影響戰(zhàn)創(chuàng)傷患者的預(yù)后。

人工智能(Artificial intelligence, AI)是近些年新興的技術(shù)，其通過(guò)相應(yīng)計(jì)算機(jī)技術(shù)使機(jī)器模擬人的思想及行為，以得出與人類一致的結(jié)論。AI最早于1956年提出，并在近二十年內(nèi)飛速發(fā)展，已廣泛應(yīng)用于各個(gè)領(lǐng)域。其在準(zhǔn)確性、高效性及靈敏性上的出色表現(xiàn)使其在臨床中已逐漸普及，得到臨床醫(yī)師和患者的青睞。文章通過(guò)簡(jiǎn)述AI的基本原理及其在戰(zhàn)創(chuàng)傷中的應(yīng)用現(xiàn)狀，為廣大醫(yī)學(xué)工作者提供新的診療思路，協(xié)助改進(jìn)戰(zhàn)創(chuàng)傷的診治流程，改善患者預(yù)后。

1 AI的基本原理

當(dāng)前看來(lái)，機(jī)器學(xué)習(xí)(Machine learning, ML)是實(shí)現(xiàn)AI最有效的手段之一，指通過(guò)向計(jì)算機(jī)提供數(shù)據(jù)而不建立顯性編程，使其建立輸入與輸出之間的映射，也即機(jī)器在其“工作”過(guò)程中自我學(xué)習(xí)的行為。目前常見(jiàn)的ML實(shí)現(xiàn)技術(shù)有支持向量機(jī)、Logistic回歸及人工神經(jīng)網(wǎng)絡(luò)(Artificial Neuron Network, ANN)。ANN是指一種類似于人腦神經(jīng)網(wǎng)絡(luò)的算法結(jié)構(gòu)，即通過(guò)若干個(gè)單一神經(jīng)元的連接而組成龐大的神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行運(yùn)算，由于ANN具有良好的泛化性，已成為當(dāng)前主流的AI算法。

深度學(xué)習(xí)是通過(guò)多個(gè)處理層的抽象，來(lái)提取學(xué)習(xí)的特征，因此特別適用于復(fù)雜的數(shù)據(jù)，如圖像及語(yǔ)音識(shí)別。實(shí)現(xiàn)深度學(xué)習(xí)的算法模型有多種，目前占主導(dǎo)的是ANN其中的一種——卷積神經(jīng)網(wǎng)絡(luò)。且隨著數(shù)據(jù)訓(xùn)練量的增大，深度學(xué)習(xí)算法的性能會(huì)越來(lái)越強(qiáng)大，這一特性使得其在醫(yī)療領(lǐng)域尤受青睞[5]。

2 AI在戰(zhàn)創(chuàng)傷中的應(yīng)用

2.1 創(chuàng)傷事件預(yù)測(cè)如前所述，即使是當(dāng)今和平年代，戰(zhàn)創(chuàng)傷事件的發(fā)生率仍居高不下且難以預(yù)測(cè)。目前大多數(shù)醫(yī)療機(jī)構(gòu)對(duì)于創(chuàng)傷傷員總是時(shí)刻準(zhǔn)備著，這樣機(jī)械的安排很可能造成醫(yī)療資源的浪費(fèi)或缺乏，對(duì)醫(yī)患雙方均不利。有研究揭示天氣與創(chuàng)傷事件呈相關(guān)性，在此基礎(chǔ)上David P. Stonko等訓(xùn)練一個(gè)ANN用于預(yù)測(cè)日常創(chuàng)傷事件的發(fā)生情況[6]。其輸入變量包含日期、氣溫、降水量；輸出變量包括當(dāng)日創(chuàng)傷人數(shù)、穿透?jìng)藬?shù)、手術(shù)例數(shù)、平均ISS(創(chuàng)傷嚴(yán)重程度)評(píng)分。訓(xùn)練后的ANN以相當(dāng)高的準(zhǔn)確性通過(guò)檢驗(yàn)，尤其適用于基層醫(yī)院及大型急救中心的人員科學(xué)配制。類似地，已有學(xué)者在設(shè)計(jì)專用于預(yù)測(cè)運(yùn)動(dòng)損傷的AI算法[7]。

2.2 創(chuàng)傷傷情判斷大多數(shù)戰(zhàn)創(chuàng)傷患者存在著不同程度的體表創(chuàng)傷，全面而準(zhǔn)確地識(shí)別這些創(chuàng)口對(duì)于指導(dǎo)后續(xù)的治療是必要的，而一旦遺漏創(chuàng)口或評(píng)估程度不當(dāng)均可能導(dǎo)致創(chuàng)口愈合不良。但在臨床工作中，這一過(guò)程需要較大的人力。Fangzhao Li等設(shè)計(jì)一種用于戰(zhàn)創(chuàng)傷創(chuàng)口分級(jí)的復(fù)合模型，其不僅在靈敏度和特異性上相比既往的研究有所提升，而且可以用于背景相對(duì)復(fù)雜的照片，這對(duì)于戰(zhàn)時(shí)早期判斷傷情有重要意義[8]。

對(duì)于需要行影像學(xué)檢查進(jìn)一步評(píng)估的患者，無(wú)論是常見(jiàn)的骨折X線片或脊髓磁共振圖像[9-10]，適用于圖片識(shí)別的ANN可快速對(duì)多種損傷做出準(zhǔn)確診斷，以幫助對(duì)大型交通事故的傷員進(jìn)行傷情評(píng)估、輕重分類。

2.3 創(chuàng)傷預(yù)后評(píng)估創(chuàng)傷的預(yù)后可因致傷因素、受傷部位、受傷程度及對(duì)其他生理功能的影響而截然不同。目前已有多位學(xué)者報(bào)道使用ML對(duì)創(chuàng)傷患者預(yù)后進(jìn)行預(yù)測(cè)的方法，Nehemiah T. Liu等對(duì)65項(xiàng)研究進(jìn)行Meta分析，這些研究共包含2 433 180位患者的信息。其算法包含ANN、支持向量機(jī)、決策樹(shù)等。通過(guò)輸入年齡、格拉斯哥昏迷評(píng)分、創(chuàng)傷評(píng)分、損傷嚴(yán)重程度評(píng)分、各種血壓、呼吸頻率和心率等患者特征，可評(píng)估預(yù)后情況，包含死亡生存情況、住院時(shí)間、并發(fā)癥等。盡管大多數(shù)研究都證明判斷預(yù)后時(shí)ML的益處，但各個(gè)AI系統(tǒng)的性能因算法、訓(xùn)練量不同而有所差異，因此也提示后續(xù)的研究應(yīng)該旨在建立共同的輸入特征集，以達(dá)到最佳的預(yù)測(cè)效果及更好的廣泛性[11]。

2.4 創(chuàng)傷后康復(fù)嚴(yán)重創(chuàng)傷可造成多種殘疾，降低患者出院后生活質(zhì)量，甚至需終身住院治療。近年來(lái)，醫(yī)療機(jī)器人快速發(fā)展，目前已有多種機(jī)器人協(xié)助的康復(fù)方法用于臨床，適用于多種創(chuàng)傷后功能缺失。例如，機(jī)器人系統(tǒng)通過(guò)協(xié)助患者進(jìn)行重復(fù)和密集的練習(xí)，誘導(dǎo)大腦和脊柱的可塑性，并且以最佳的運(yùn)動(dòng)強(qiáng)度促進(jìn)患者的感覺(jué)、運(yùn)動(dòng)功能恢復(fù)。即使康復(fù)工作難以滿足日常所需，輔助機(jī)器人也可通過(guò)感知肢體位置參數(shù)甚至腦電波，協(xié)助患者完成動(dòng)作，以盡可能實(shí)現(xiàn)功能獨(dú)立[12-13]。特別地，對(duì)于急性腦損傷患兒，Chen K等設(shè)計(jì)一套搭載游戲的可穿戴機(jī)器人設(shè)備以提高兒童訓(xùn)練的積極性，并在踝關(guān)節(jié)康復(fù)訓(xùn)練中取得良好的效果，以幫助患兒神經(jīng)重塑，改善運(yùn)動(dòng)功能[14]。

3 AI在顱腦戰(zhàn)創(chuàng)傷中的應(yīng)用

創(chuàng)傷性腦損傷(TBI)是指由頭部的撞擊、打擊、震動(dòng)或穿透性損傷所致的大腦正常結(jié)構(gòu)和/或功能的破壞。每年創(chuàng)傷性腦損傷導(dǎo)致大量死亡和永久性殘疾病例，據(jù)統(tǒng)計(jì)，由TBI所致的死亡例數(shù)占到所有創(chuàng)傷的1/3，尤好發(fā)于嬰幼兒、青少年和老年人。TBI的嚴(yán)重程度可能從“輕度”(精神狀態(tài)或意識(shí)的短暫變化)到“嚴(yán)重”(受傷后出現(xiàn)長(zhǎng)時(shí)間的昏迷或健忘)。同時(shí)，創(chuàng)傷性腦損傷因其不明顯的臨床表現(xiàn)又被稱作“沉默的流行病”，相比其他肉眼可見(jiàn)的創(chuàng)傷更具危害性[15]。

3.1 預(yù)測(cè)風(fēng)險(xiǎn)在所有就診的TBI患者中，約有80%的患者最先前往急診，而TBI癥狀本就不明顯，這種情況給紛繁復(fù)雜的急診室診斷該病增加難度，且有限的臨床資源無(wú)法為每個(gè)前來(lái)就診的頭部受傷患者提供影像學(xué)檢查。Michael W. Dusenberry 建立一個(gè)專門適用于由跌倒所致的老人輕度顱腦損傷的CT陽(yáng)性的預(yù)測(cè)模型以幫助醫(yī)師篩選出高危患者并盡快完善CT檢查[16]。在該AI系統(tǒng)中，僅需收集一些臨床可直接獲取的資料，如從何處跌倒，傷后是否出現(xiàn)癡呆，是否服用抗凝藥等，即可預(yù)測(cè)出該患者的CT陽(yáng)性率，幫助合理配置醫(yī)療資源。這顛覆既往業(yè)界廣泛認(rèn)為的大于65歲的納入條件，而后者一直存在著CT異常陽(yáng)性率過(guò)低的缺陷。

3.2 診斷AI閱片已在多個(gè)亞學(xué)科發(fā)展相當(dāng)成熟。有學(xué)者通過(guò)利用AI檢測(cè)頭顱CT平掃中的病變，并具有很高的準(zhǔn)確性。在此算法中，Sasank Chilamkurthy等采取深度學(xué)習(xí)技術(shù)，并用23 263例CT平掃影像對(duì)算法進(jìn)行訓(xùn)練，經(jīng)過(guò)訓(xùn)練后的AI系統(tǒng)可以精確地給出病變情況，如出血量及部位、是否有顱骨骨折、是否存在占位效應(yīng)及中線移位[17]。對(duì)于輕度TBI(也常被稱作腦震蕩)，AI也有很高的敏感性。Victor M. Vergara等設(shè)計(jì)較傳統(tǒng)的支持向量機(jī)，通過(guò)用ML的辦法結(jié)合dMRI來(lái)進(jìn)行診斷[18]。

與以往影像學(xué)方法不同，R.O. Bahado-Singh等通過(guò)用AI檢測(cè)創(chuàng)傷后炎癥反應(yīng)所帶來(lái)的表觀遺傳改變及蛋白表達(dá)的改變，發(fā)現(xiàn)許多與兒童腦震蕩相關(guān)的生物標(biāo)記物及基因甲基化改變。經(jīng)過(guò)AI的初篩后，各個(gè)標(biāo)記物的預(yù)測(cè)價(jià)值還需要后續(xù)的研究進(jìn)一步評(píng)估[19]。

3.3 神經(jīng)重癥監(jiān)護(hù)對(duì)于嚴(yán)重創(chuàng)傷性腦損傷患者，神經(jīng)重癥監(jiān)護(hù)室占據(jù)重要地位，在此過(guò)程中的監(jiān)護(hù)及治療直接影響著患者的預(yù)后。對(duì)于TBI患者，有諸多的參數(shù)需要實(shí)時(shí)監(jiān)測(cè)并依據(jù)其變化盡快調(diào)整治療策略。AI的實(shí)力已在一般的重癥監(jiān)護(hù)室中得到證明[20]，并在RICU(呼吸重癥監(jiān)護(hù)病房)中逐漸開(kāi)始進(jìn)行探索。對(duì)于TBI患者，顱內(nèi)壓的監(jiān)測(cè)和管理是首要的，一旦出現(xiàn)急劇的上升很容易導(dǎo)致各種并發(fā)癥的出現(xiàn)甚至致命。因此，Zhang F等采取一個(gè)可預(yù)測(cè)短期未來(lái)的平均顱內(nèi)壓的AI算法，以提前告知醫(yī)師準(zhǔn)備好應(yīng)對(duì)手段[21]。而目前更優(yōu)化的策略是，當(dāng)AI監(jiān)測(cè)到顱內(nèi)壓持續(xù)上升20 mmHg達(dá)醫(yī)師預(yù)設(shè)的一定時(shí)間后，訓(xùn)練有素的AI決策系統(tǒng)將自動(dòng)進(jìn)行甘露醇給藥。不僅如此，AI還可同時(shí)監(jiān)測(cè)血漿滲透壓、尿量改變等其他參數(shù)，以達(dá)到最合理的給藥策略[22]。

對(duì)于在神經(jīng)重癥監(jiān)護(hù)中出現(xiàn)癲癇的患者，AI系統(tǒng)的給藥似乎更加科學(xué)。在對(duì)腦電波進(jìn)行實(shí)時(shí)讀圖判斷后，一旦監(jiān)測(cè)到癲癇波，AI即時(shí)調(diào)整抗癲癇藥的給藥方案，縮短從癥狀到治療之間的時(shí)間差；而當(dāng)腦電波波形恢復(fù)正常時(shí)AI即停止給藥，這比目前臨床上通過(guò)癥狀來(lái)判斷何時(shí)停止的方案更加精確[23]。

3.4 預(yù)后評(píng)估現(xiàn)代外科手術(shù)方案的制定及術(shù)后情況預(yù)測(cè)需要建立在精準(zhǔn)的術(shù)前預(yù)后評(píng)估的基礎(chǔ)上。早在2005年，Min-Huei Hsu等[24]就編寫(xiě)ANN用于更細(xì)化的預(yù)測(cè)創(chuàng)傷性腦損傷后的預(yù)后。盡管該算法用4 460個(gè)病例進(jìn)行訓(xùn)練，但正確率只能達(dá)到75.8%，這可能與其選取的變量預(yù)測(cè)性不夠強(qiáng)有關(guān)。Andrew T. Hale等[25]報(bào)道通過(guò)ANN來(lái)評(píng)估兒童TBI預(yù)后的方法。在該算法中，用于預(yù)測(cè)預(yù)后的變量共有9項(xiàng)，涵蓋格拉斯哥昏迷評(píng)分、瞳孔對(duì)光反射情況、當(dāng)前血糖、血紅蛋白等相關(guān)預(yù)后不良因素。為了評(píng)估TBI后住院患者的死亡率，Kazuya Matsuo等[26]在其設(shè)計(jì)的ANN中引入更多的參數(shù)，這當(dāng)中還包含CT表現(xiàn)、相關(guān)實(shí)驗(yàn)室檢查結(jié)果等，并對(duì)各個(gè)預(yù)測(cè)因子的重要性進(jìn)行計(jì)算。該研究發(fā)現(xiàn)，F(xiàn)DP(纖維蛋白降解產(chǎn)物)水平可能是實(shí)驗(yàn)室檢查結(jié)果中最重要的預(yù)測(cè)因素，這與之前其他研究認(rèn)為最強(qiáng)預(yù)測(cè)因素血糖相悖，同時(shí)也提示后續(xù)還需要深入研究去揭示其病理生理機(jī)制。

為了讓AI更準(zhǔn)確地預(yù)測(cè)預(yù)后，在技術(shù)層面，Cheng-Shyuan Rau等[27]橫向?qū)Ρ萀ogistic回歸、支持向量機(jī)、決策樹(shù)、樸素貝葉斯及ANN各自用于預(yù)后評(píng)估時(shí)的性能，證實(shí)ANN具有明顯的優(yōu)勢(shì)。而Hakseung Kim等[28]運(yùn)用ML剔除數(shù)據(jù)的“偽影”，進(jìn)一步提高AI系統(tǒng)的準(zhǔn)確性。

4 討 論

經(jīng)過(guò)若干年的臨床考驗(yàn)，AI技術(shù)已得到醫(yī)患雙方的信任，并滲透到各個(gè)亞學(xué)科范疇。但同時(shí)，當(dāng)前市場(chǎng)上存在各式各樣的AI算法，即使是用于同一種疾病甚至是同一臨床步驟都存在多種AI系統(tǒng)可用，因此亟需出臺(tái)類似藥品監(jiān)管的政策以保證AI系統(tǒng)的合格性及一致性，并由政府和企業(yè)合作牽頭，研發(fā)出相對(duì)整套的AI系統(tǒng)，而不是純粹的各家AI系統(tǒng)的堆砌，以避免各個(gè)算法功能上的重疊和結(jié)果上的沖突，給臨床使用減負(fù)。

其次，性能強(qiáng)勁的ANN有其獨(dú)特的缺陷，即其推理過(guò)程的不透明性。雖然隨著隱藏層的增多，其推理模型也更加穩(wěn)定，但卻無(wú)法解釋其中間各層的計(jì)算過(guò)程、權(quán)重及真實(shí)意義。一旦AI發(fā)生錯(cuò)誤的判斷，程序員也無(wú)法去追溯錯(cuò)誤來(lái)源。

最后，AI的倫理問(wèn)題自其問(wèn)世以來(lái)就一直被反復(fù)討論，當(dāng)面對(duì)更加敏感的醫(yī)療領(lǐng)域時(shí)更是如此[29]。AI的訓(xùn)練必須建立在充分的數(shù)據(jù)上，但數(shù)據(jù)的獲取、保存及傳輸流程并不像傳統(tǒng)的臨床研究那樣完善。而當(dāng)AI面臨患者時(shí)，其也只是單純地運(yùn)用既往的數(shù)據(jù)給出結(jié)論，并不會(huì)考慮任何與輸入?yún)?shù)以外的患者情況，即便是最直觀的個(gè)人信息和經(jīng)濟(jì)情況。

5 結(jié) 語(yǔ)

隨著大數(shù)據(jù)和5G時(shí)代的到來(lái)，AI將迎來(lái)新的發(fā)展浪潮，繼續(xù)引領(lǐng)醫(yī)療水平的提高，幫助解決當(dāng)下普遍存在的醫(yī)療資源分布不均等問(wèn)題。但如上所述，當(dāng)前AI應(yīng)用存在諸多局限性，編寫(xiě)AI的工程師、醫(yī)療工作者及監(jiān)管部門應(yīng)及早主動(dòng)尋求多方協(xié)助，從源頭對(duì)AI進(jìn)行質(zhì)量控制和監(jiān)管，以讓AI更準(zhǔn)確、更人性地服務(wù)人類。