圖源：viralobuzz.com

疼痛管理是一項(xiàng)極具挑戰(zhàn)性的復(fù)雜平衡工作。例如，對疼痛的過度治療有使患者對止痛藥上癮的風(fēng)險(xiǎn)。另一方面，對疼痛治療不足可能導(dǎo)致長期慢性疼痛和其他并發(fā)癥。

如今，醫(yī)生通常會根據(jù)患者自己的感受來評估疼痛程度。但是那些無法有效表達(dá)自己的感受，甚至完全無法感知的患者該怎么辦呢？例如兒童、老年癡呆癥患者或接受手術(shù)的患者。

在情感計(jì)算與智能交互國際會議上發(fā)表的一篇論文中，研究人員描述了一種量化患者疼痛的方法。為了做到這一點(diǎn)，他們利用了一種新興的神經(jīng)成像技術(shù)，稱為功能性近紅外光譜（fNIRS），其通過將傳感器放置在頭部周圍來測量氧合血紅蛋白濃度，最終指示神經(jīng)元活動。

前額葉皮層在疼痛處理中起著重要作用，他們的工作中，研究人員在患者額頭上使用fNIRS傳感器來測量前額葉皮層的活動。利用測量得到的大腦信號，研究人員開發(fā)了個性化的機(jī)器學(xué)習(xí)模型，以檢測與疼痛反應(yīng)相關(guān)的氧合血紅蛋白水平的模式。當(dāng)傳感器就位后，該模型可以檢測患者是否正在經(jīng)歷疼痛，其準(zhǔn)確度約為87％。

“我們測量疼痛的方式多年來沒有改變過。”哈佛-麻省理工健康科學(xué)與技術(shù)專業(yè)的博士生兼麻省理工媒體實(shí)驗(yàn)室的研究員Daniel Lopez-Martinez說道?！叭绻覀儧]有衡量一個人經(jīng)歷了多少疼痛的指標(biāo)，那么治療疼痛和進(jìn)行臨床試驗(yàn)就會變得具有挑戰(zhàn)性。我們研究的目的是客觀地量化疼痛，不需要患者的配合，例如當(dāng)患者在手術(shù)過程中失去意識的時候。

傳統(tǒng)上，手術(shù)患者接受麻醉和藥物治療是根據(jù)其年齡，體重，既往疾病和其他因素。如果他們不動并且心率保持穩(wěn)定，他們則被認(rèn)為是健康的。但是大腦可能在無意識狀態(tài)下仍在處理疼痛信號，這可能導(dǎo)致術(shù)后疼痛和長期慢性疼痛增加。研究人員的系統(tǒng)可以為外科醫(yī)生提供有關(guān)無意識患者疼痛水平的實(shí)時信息，據(jù)此他們可以相應(yīng)地調(diào)整麻醉和藥物劑量以阻止這些疼痛信號。

Lopez-Martine這篇論文的共同作者還有：哈佛醫(yī)學(xué)院的Ke Peng，波士頓兒童醫(yī)院和麻省總醫(yī)院的Arielle Lee和David Borsook; 和媒體實(shí)驗(yàn)室媒體藝術(shù)和科學(xué)教授以及情感計(jì)算研究主任Rosalind Picard 等。

在他們的工作中，研究人員調(diào)整了fNIRS系統(tǒng)并開發(fā)了新的機(jī)器學(xué)習(xí)技術(shù)，使該系統(tǒng)在臨床使用上更加準(zhǔn)確和實(shí)用。

為了使用fNIRS，傳統(tǒng)上傳感器被放置在患者頭部周圍。不同波長的近紅外光穿過頭骨進(jìn)入大腦。含氧和脫氧的血紅蛋白以不同方式吸收波長，它們的信號也略有變化。當(dāng)紅外信號反射回傳感器時，信號處理技術(shù)利用改變后的信號來計(jì)算每種血紅蛋白類型在大腦的不同區(qū)域中的含量。

當(dāng)患者受傷時，大腦中與疼痛相關(guān)的區(qū)域?qū)⒊霈F(xiàn)氧合血紅蛋白的急劇上升和脫氧血紅蛋白的下降，而這些變化可以通過fNIRS監(jiān)測到。但傳統(tǒng)的fNIRS系統(tǒng)需要將傳感器放置在患者頭部周圍，這可能需要很長時間才能完成，并且對于必須躺下的患者來說會很困難。對于接受手術(shù)的患者來說，這也是不可行的。

因此，研究人員對fNIRS系統(tǒng)進(jìn)行了調(diào)整，使其專門測量僅來自于前額皮質(zhì)的信號。雖然疼痛處理涉及來自大腦多個區(qū)域的信息輸出，但研究表明，前額葉皮層整合了大部分的信息。這意味著他們只需要把傳感器放置在前額上。

傳統(tǒng)fNIRS系統(tǒng)的另一個問題是它們會從顱骨和皮膚捕捉到一些導(dǎo)致噪音的信號。為了解決這個問題，研究人員安裝了額外的傳感器來捕捉和濾除這些信號。

在機(jī)器學(xué)習(xí)方面，研究人員從43名男性參與者那里收集了一個稱為“疼痛處理數(shù)據(jù)集”的模型，并對其進(jìn)行了訓(xùn)練和測試。（接下來，他們計(jì)劃從不同的患者群體中收集更多的數(shù)據(jù)，包括手術(shù)期間和清醒時，以及在疼痛強(qiáng)度范圍內(nèi)的女性患者，以便更好地評估系統(tǒng)的準(zhǔn)確性。）

每個參與者都戴著研究人員的fNIRS裝置，隨機(jī)暴露于一種無害的感覺中，然后在兩種不同的疼痛強(qiáng)度下對拇指進(jìn)行十多次電擊，測量范圍為1-10：低水平（約3/10）或高水平（約7/10）。這兩種強(qiáng)度是通過預(yù)測試來確定的：參與者自我報(bào)告的低水平電擊是有明顯意識的無痛感電擊，而高水平的電擊是他們可以忍受的最大痛感。

在訓(xùn)練中，該模型從信號中提取了幾十個特征，這些特征與血紅蛋白的含氧量和脫氧量以及血紅蛋白的含氧水平上升的速度有關(guān)。量和速度這兩個指標(biāo)可以更清晰地描述病人在不同強(qiáng)度下的疼痛體驗(yàn)。

重要的是，該模型還自動生成“個性化”子模型，從單個患者亞群中提取高分辨率特征。傳統(tǒng)上，在機(jī)器學(xué)習(xí)中，一個模型基于整個患者群體的平均反應(yīng)來學(xué)習(xí)分類“疼痛”或“無疼痛”。但這種籠統(tǒng)的方法可能會降低準(zhǔn)確性，尤其是對于不同患者群體。

研究人員的模型針對的是整個群體，但同時也能在更大的數(shù)據(jù)集中識別出不同亞群體的共同特征。例如，對兩種強(qiáng)度的疼痛反應(yīng)在年輕和年老患者之間可能有所不同，或者取決于性別。這就產(chǎn)生了學(xué)習(xí)的子模型，這些子模型可以分離并同時學(xué)習(xí)其患者亞群的模式。然而，與此同時，他們?nèi)匀辉诜窒碚麄€群體共享的信息和學(xué)習(xí)模式。簡而言之，他們同時利用個性化信息和人口級別的信息進(jìn)行更好的培訓(xùn)。

從數(shù)據(jù)集中隨機(jī)抽取一組參與者的大腦信號，對疼痛或無疼痛進(jìn)行分類，來評估個性化模型和傳統(tǒng)模型，其中每個參與者的自我報(bào)告疼痛評分都是已知的。個性化模型的準(zhǔn)確率比傳統(tǒng)模型高出約20%，達(dá)到約87%。

“因?yàn)槲覀冎恍柙陬~頭上使用少量傳感器就能以如此高的精度檢測疼痛，所以我們有堅(jiān)實(shí)的基礎(chǔ)將這項(xiàng)技術(shù)應(yīng)用于臨床中。”Lopez-Martinez說道。

參考資料：