这款结合AR的AI模型，可帮医生准确识别疼痛位置

对医生而言，准确判断患者疼痛位置对于医疗诊断和治疗至关重要，不过疼痛往往难以量化，且多数评估都是主观的。为此，密歇根大学和部分研究者决定通过基于移动神经影像的AR＋AI的一个临床应用框架：CLARAi。

这是一套结合AR＋AI的医疗技术研究，该方案将机器学习模型与AR技术结合，对患者进行冷刺激，通过便携式光学成像仪测量皮质活动。然后基于多个神经网络模型对这些数据进行解码分析，从而区分出疼痛和无痛。

简而言之，就是一种新型的基于神经成像的AR与AI结合的技术，从而将大脑活动数据转化为客观的结果，从而方便医生进行判断和定位疼痛位置。

疼痛程度判断的背景

我们知道，对能够准确评估急性或慢性疼痛病症的疼痛程度是至关重要的，这直接影响着诊断和后续治疗，特别是当患者表示长期饱受病痛折磨时。

据悉，仅疼痛病症在医疗费用、时间损失等方面的经济影响十分巨大。即便如此，医生确定疼痛仍在“以0-10为例”确定你的疼痛程度。虽然用疼痛问卷和面部测量表等方式进行量化疼痛程度是一个普遍且相对效果不错的方式，但是这种报告仍然存在较大局限性，主要体现在以下几个方面：

1，不同年龄、文化差异人群在疼痛表达方面不同，例如不同辈分的人对于类似疼痛表达方式不同，甚至同一个人在病症不同时期也有不同表达；

2，这种方式无法在正常诊断或手术中应用，包括在拥有认知障碍的患者；

3，自我报告的形式在不同的疼痛方面提供的价值有限，甚至还可能模糊病症治疗。

为了突破这些限制，研究人员开始分析使用神经影像技术，Wager TD和同事们利用机器学习技术制作了一个AI模型，其通过功能核磁共振成像（fMRI）数据，从而提供了基于神经学特征的个体疼痛检测可能性。

据悉，fMRI在客观的大脑疼痛评估方面已经迈出了一大步，不过由于MRI仪的体积大、成本高等特性，限制了该技术在临床上应用的可能性。

为此，研究人员决定转向便携式神经影响设备，他们和fMRI技术具有着类似的优势，并能以非侵入的方式通过近红外光（fNIRS）测量头骨内一定距离的HbO、HbR浓度变化。

研究细节

目标是开发一套技术解决方案，从而能够实时将神经影像变成可视化的数据，并测量和解析皮质活动，最终确定出什么时间疼痛、什么位置疼痛等。

综合而言，这是一套基于光学神经成像（fNIRS）、增强现实（AR）、基于神经网络（NN）的人工智能（AI）三步实验成功得出的。

实验流程图

据悉，该研究中密歇根大学招募了21名牙齿过敏的志愿者，通过循环热刺激的方式，获取平均疼痛临界值。

透过上述实验流程图，其采用2个实验测试疼痛和无痛预测，以及左脑和右脑的定位。绿线代表7层CNN（卷积神经网络），蓝线为6层CNN，橙线代表5层CNN，红线代表长短期记忆网络，深蓝线代表复发性神经网络，黄线代表3层人工CNN。

而为了进一步验证，研究员设计了一项基于AR数据可视化的终端实验，硬件基于微软HoloLens，以及HoloBrain项目衍生，软件方面由密歇根大学内部开发。

研究框架

实验1：疼痛检测

该实验的目的是测试个体患者疼痛和无疼痛预测，研究院选取三个不同深度CNN（7层CNN、5层CNN、3层NN和ANN），进一步评估他们数据集上的性能。

参与者统计

实验1统计结果

最终，研究员为疼痛与无痛分别定义了一个标签，其中相关的权重达到10：1，此后将使用10倍交叉验证每个模型，计算出平均的分类准确度，敏感程度、特异性、阳性预测值、阳性似然比、阴性预测值等。

实验2：疼痛定位

HbO和HbR 热力图

实验2统计结果

此项实验目的是进一步测试分析左侧、右侧疼痛、无疼痛的状态。其中，左图和右图分别表示HbO和HbR状态，上图和下图分别表示疼痛和无疼痛状态下的血液流动的状态，红色和蓝色圈圈分别代表：知觉与前额皮质。

实验3：通过AR＋AI实现可视化疼痛解析

接下来就基于HoloLens，开发出一个框架。在本研究中，将患者大脑中多皮质区域数据无线传输到HoloLens端，然后基于密歇根大学自己开发的应用（集成自研的3D渲染引擎，可渲染复杂3D场景，支持高级材质、灯光和详细网格），重建具有功能区域的虚拟大脑，基于16个数据源从而最终呈现出CLARAi的概念形态。

实验结果

在21名志愿者的测试中，有12人进行了深度测试。该测试中12名参与者共收集180580个数据立方体，其中23900被标记为疼痛，156680被标记为无疼痛。

实验2共有2名志愿者的数据，共有20820个数据立方体，其中2000个被标记为右侧疼痛，2000个标记为左侧疼痛，26820个标记为无疼痛。上图中展示了患者3在疼痛状态和无疼痛状态下平均的HbO和HbR水平。

HoloBrain界面

实验3中收集了功能性HbO和HbR数据，并且实时更新和显示，如视频中展示的。通过HoloLens将3D虚拟大脑图像叠加到测试者的头部位置，并用红色区域对疼痛位置进行标注。

虽然经过了本次测试，我们可以基本上实现临床可用的一套AR＋AI的疼痛诊断系统，并且在便携性方面表现出色。从诊断结果来看，能够识别疼痛和无痛诊断准确率高达80.37%，阳性似然比（PLR）为2.35。

但这些研究结论依然需要进一步优化和验证，尤其是用于除了牙齿以外其它疼痛或神经系统疾病方面，以及具体的疼痛位置。简而言之，这套系统还很年轻，但发展潜力无疑巨大。

本文参考：JMIR