人工智能在医疗保健中的应用：综述及预测案例研究

工程6（2020）291研究人工智能综述医疗保健中的人工智能：回顾和预测案例研究Guoguang Ronga，b，Arnaldo Mendezc，Elie Bou Assic，Bo Zhaod，Mohamad Sawana，b，c，a西湖大学工学院，浙江b西湖高等研究院高等研究所，杭州310024cPolystim Neurotech Laboratory，Polytechnique Montréal，Montréal，QC H3T1J4，Canadad浙江大学信息科学与电子工程学院VLSI设计研究所，浙江阿提奇莱因福奥文章历史记录：收到2019年2019年8月16日修订2019年8月26日接受2020年1月3日在线提供保留字：人工智能机器学习深度学习神经网络生物医学医疗保健应用癫痫发作膀胱充盈A B S T R A C T近年来，人工智能（AI）在软件算法、硬件实现以及在众多领域的应用方面发展迅速。本文综述了人工智能在生物医学领域的应用，包括疾病诊断、活体免疫、生物医学信息处理和生物医学研究等方面的最新进展。本综述的目的是跟踪新的科学成就，了解技术的可用性，欣赏人工智能在生物医学中的巨大潜力，并为相关领域的研究人员提供灵感。可以断言，就像AI本身一样，AI在生物医学领域的应用还处于早期阶段。新的进展和突破将继续推动前沿和扩大人工智能应用的范围提供两个案例研究来说明癫痫发作的发生和功能失调的膀胱的填充预测©2020 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人工智能（AI）被定义为机器的智能，而不是人类或其他生物的智能[1，2]。人工智能也可以被定义为“智能代理”的研究人工智能也指的是机器可以在学习和分析中模拟人类思维的情况，从而可以解决问题这种智能也被称为机器学习（ML）[4]。通常，AI涉及一个由软件和硬件组成的系统。从软件的角度来看，AI特别关注算法。人工神经网络（ANN）是执行AI算法的概念框架[5]。它是人类大脑的模拟物-一个神经元的互连网络，其中神经元之间存在加权通信通道[6]。一个神经元可以对来自相邻神经元的多个刺激做出反应，整个网络可以根据来自环境的不同输入改变其状态[7]。因此，神经*通讯作者。电子邮件地址：sawan@westlake.edu.cn（M. Sawan）。神经网络（NN）可以产生输出作为其对环境刺激的响应-就像人脑对不同的环境变化做出反应一样。NN通常是各种配置的分层结构。研究人员已经设计出了可以①监督学习，其中任务是基于输入和输出的示例对来推断将输入映射到输出的函数;②无监督学习，其中任务是从尚未被标记、分类或归类的测试数据中学习，以便识别数据中的共同特征，并且不是响应于系统反馈，而是基于新数据中所识别的共同特征的存在或不存在来做出反应;以及③强化学习，任务是在给定的环境中行动，以最大化奖励和最小化惩罚，两者都是根据某种形式的累积性质[8]。随着计算能力的提高，神经网络变得“更深”，这意味着更多的神经元层参与到网络中来模仿人脑并进行学习。此外，更多的功能可以被并入NN中，例如将特征提取和分类功能合并到单个深度网络中-因此技术术语从硬件的角度来看，人工智能主要涉及在物理计算平台上实现NN算法。最直接的方法是实现https://doi.org/10.1016/j.eng.2019.08.0152095-8099/©2020 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng292G. Rong et 其他/工程 6（2020）291NN算法在通用中央处理器（CPU）上，采用多线程或多核配置[7]。此外，已经发现擅长卷积计算的图形处理单元（GPU）对于大规模NN比CPU更有优势[11]。CPU和GPU协同处理比单独使用CPU更有效，特别是对于尖峰NN[12，13]。此外，一些可编程或可定制的加速器硬件平台，例如现场可编程门阵列（FPGA）和专用集成电路（ASIC），可以在计算能力、功率效率和形状因子方面以更有效的方式实现NN以实现定制应用[14]。与GPU和CPU相比，这些平台可以针对特定应用进行定制，因此可以比GPU和CPU平台更节能和紧凑为了在边缘设备中部署AI研究人员试图使用模拟集成电路[15，16]，自旋电子学[17]和忆阻器[18-20]实现AI算法这些新平台中的一些，例如忆阻器交叉开关电路[21]，可以将计算与存储器合并，从而避免访问传统冯诺依曼架构的“存储器墙”的问题。为了更新所需的参数，此访问是强制性的。最近，研究人员试图通过减少用于数据表示的位数来提高AI实现的效率。事实证明，当数据表示从32或16位下降到8位时，可以保持计算精度。其优点是计算速度更快，功耗更低，外形尺寸更小[22]。然而，“记忆墙”的限制仍然存在。另一方面，采用适当的培训方法（例如，深度训练而不是表层训练[23]或使用预训练技术[24]）以及使用平衡的数据集[25]，足够的数据量[26]和数据集的恒定可用性[27]是为了实现令人满意的ANN性能而需要考虑的重要因素。由于AI软硬件的快速发展人工智能已经应用于各种技术领域，如物联网[28]，机器视觉[29]，自动驾驶[30，31]，自然语言处理[32，33]和机器人[34]。最有趣的是，研究人员在的生物医学领域已积极尝试应用人工智能来帮助改善分析和治疗结果，从而提高整个医疗保健行业的效率[35图1显示了过去20年（1999年至2018年）该地区的认证数量。兴趣的增长是明显的，特别是在过去五年中，可以预测未来会继续增长。人工智能可以为生物医学带来的好处早在几十年前就已经设想过了[38]。事实上，已经发表了关于AI在生物医学工程中的作用的评论[36，37]。最近，人工智能及其在生物医学中的应用取得了新的进展。本文综述了人工智能在生物医学中应用的最新突破，涵盖了生物医学工程和医疗保健的主要领域。医疗保健的目标是变得更加个性化，预测性，预防性和参与性，人工智能可以在这些方向上做出重大贡献。从所取得的进展来看，我们估计人工智能将继续发展和成熟，成为生物医学的强大工具。本文的其余部分面向主要的AI应用程序。第2节包括信息处理和算法实现的描述，而第3节侧重于疾病诊断和预测。第4节报告了两种医学疾病预测的案例研究。最后，在第5中总结了结论。2. 信息处理与算法实现人工智能在生物医学中的主要应用可以分为四类。本节中描述的前三个类别旨在有效地处理大数据，并提供对数据的快速访问，以解决与医疗保健相关的问题。这些应用涉及老年人和残疾人的生活援助，自然语言处理技术和基础研究活动。最后一类人工智能应用涉及疾病的诊断和预测，将在第3中进行分析。2.1. 生活援助在老年人和残疾人的辅助生活领域，使用相应智能机器人系统的人工智能应用正在为改善生活质量铺平道路智能概述图1.一、人工智能在生物医学中应用的研究兴趣日益增长，这一点可以从过去20年中有关这一主题的出版物数量中得到证明文献检索是使用Web of Science进行的，主题为“AI”或“ML”，主题为G. Rong et 其他/工程 6（2020）291293为失去自主权（PLA）的人提供的家庭功能和工具，以及基于无线传感器网络，数据挖掘和人工智能的智能解决方案模型最近发表[39]。神经网络可以通过特定的图像处理步骤进行训练，以识别人类面部表情作为命令。此外，一个盲人可以通过一个用户界面使用这个智能助手的多种功能。一个它能够通过自己的智能，结合“所有相关人员之间基于云的通信媒体”，提供“高级水平”的建议基于雷达多普勒时频特征和稀疏贝叶斯分类器的跌倒检测系统事实上，智能家居的“环境智能”可以为老年人提供活动感知和随之而来的活动帮助，使得AAL环境允许“就地老化”-即在家老化。例如，活动限制和安全意识（SALSA）智能代理的活动感知筛选可以帮助老年人进行日常活动，药物治疗[45]。运动分析和步态研究中的ML可以在危险行为时发出警报并启动预防措施[46，47]。 图[39]这是一个AAL模型。在这种情况下，传感器收集有关周围环境和人类行为的数据，然后通过云计算或边缘智能进行分析。然后决定需要采取什么行动，并将此决定用于激活警报或预防措施。基于人工智能的专家系统，结合移动设备和个人数字助理（PDA），可以通过增强记忆能力来帮助持久性记忆损伤的人实现独立的日常生活[48]。这是一个显着的扩展专家系统的记忆康复（ES-MR）的2.2. 生物医学信息处理自然语言处理在生物医学应用方面取得了突破性进展在生物医学问答（BioQA）领域，目标是从文档和数据集的库中找到用户制定的问题的快速准确的答案。因此，自然语言处理技术可以用来搜索信息丰富的答案[49]。首先，生物医学问题必须分类，以便从答案中提取适当的信息ML可以将生物医学问题分为四种基本类型，准确率接近90%[50]。接下来，智能生物医学文档检索系统可以有效地检索最有可能包含生物医学问题答案的文档部分[51]。一种用于处理四种基本类型的BioQA之一的新方案-是或否答案生成器，其源于单词情感分析-可以有效地从二进制答案中提取信息[52]。图二. “就地养老”的拟议AAL模型SMS：短信服务。294G. Rong et 其他/工程 6（2020）291对于在较长时间内从不同来源收集的生物医学信息，许多重要任务可能占主导地位;这些是临床信息合并，比较和冲突解决[53]。长期以来，这些都是由人类执行的耗时、劳动密集型且不令人满意的任务。为了提高效率和准确性，人工智能已被证明能够执行这些任务，其结果与专业评估人员一样准确[54]。此外，需要对医疗叙述数据进行自然语言处理，以使人类摆脱跟踪时间事件同时保持结构和原因的挑战性任务[55]。ML可用于处理高复杂度的临床信息（例如，文本和各种链接的生物医学数据），将逻辑推理纳入数据集，并将学习到的知识用于无数目的[56]。2.3. 生物医学研究除了能够作为疾病诊断、管理和预后的“电子医生”外，人工智能还作为生物医学研究中的一种强大工具而在全球范围内，人工智能可以加速生物医学研究和创新活动中学术文献的筛选和索引[58，59]。在这个方向上，最新的研究主题包括肿瘤抑制机制[60]，此外，生物医学研究人员可以在基于语义图的AI方法的帮助下有效地完成对给定主题的文献进行总结的艰巨任务[63]。此外，人工智能可以帮助生物医学研究人员不仅搜索，而且在研究论文数量超出可读性时对感兴趣的文献进行这使研究人员能够制定和测试到点的科学假设，这是生物医学研究的一个非常重要的部分。例如，研究人员可以在人工智能的帮助下，对越来越多的文献中感兴趣的人物进行筛选和排名，以制定和测试假设。一些 智能医 疗设备 正在变 得越来 越一种 称为计 算建模 助手（CMA）的智能代理可以帮助生物医学研究人员从他们心目中的概念模型构建 图 3 [67]显示了CMA和人类研究人员之间的流程和互动的一般视图。CMA提供了各种知识，方法和数据库。研究者假设以生物模型的形式表达，这些模型作为CMA的输入。CMA的智能使其能够整合所有这些知识和模型，并将研究人员的假设转化为具体的仿真模型。然后，研究人员审查并选择最佳模型，CMA为选定的模型生成仿真代码。通过这种方式，CMA能够显著加快研究过程并提高生产力。此外，一些直观的机器可以指导生物医学成像，口腔外科和整形外科等领域的科学研究[68，69]。人类和机器意识及其与生物医学工程的相关性已被讨论，以更好地理解这一发展的影响[70]。3. 疾病诊断和预测生物医学中最迫切需要人工智能的是疾病诊断。在这一领域已经取得了一些令人感兴趣的突破。人工智能使卫生专业人员能够更早、更准确地诊断多种疾病[71]。诊断的一个主要类别是基于使用生物传感器或生物芯片的体外诊断。例如，基因表达，图三.基于各种本体和知识数据库的CMA和人类研究人员之间的流程和交互的一般视角[68]。ODE：常微分方程; PDE：偏微分方程;去：基因肿瘤学; FMA：解剖学本体基础模型;SBO：系统生物学本体; REX：物理化学过程本体。G. Rong et 其他/工程 6（2020）291295非常重要的诊断工具，可以通过ML进行分析，其中AI解释微阵列数据以分类和检测异常[72，73]。一个新的应用是对癌症微阵列数据进行分类以用于癌症诊断[74]。通过集成AI，生物传感器和相关的即时检测（POCT）系统可以在早期诊断心血管疾病[75]。除了诊断，AI还可以帮助预测癌症患者的生存率，例如结肠癌患者[76]。研究人员还发现了ML在生物医学诊断中的一些局限性，并建议采取措施尽量减少这些缺点的影响[77]。因此，人工智能在诊断和诊断方面仍有很大的潜力。另一类重要的疾病诊断是基于医学成像（二维）和信号（一维）处理。这些技术已被用于疾病的诊断、管理和预测。对于一维信号处理，AI已应用于生物医学信号特征提取[78]，如脑电图（EEG）[79]，肌电图（EMG）[80]和心电图（ECG）[81]。EEG的一个重要应用预测癫痫发作非常重要，以尽量减少其对患者的影响[82]。近年来，人工智能已被公认为准确可靠的预测系统的关键要素之一[83，84]。现在可以通过深度学习进行预测[85]，并且预测平台可以部署在移动系统中[86]。AI也可以在基于生物医学图像处理的诊断中发挥重要作用[87]。AI已用于图像分割[88]、多维成像[89]和热成像[90]，以提高图像质量和分析效率。人工智能也可以部署在便携式超声波设备中，这样未经训练的人就可以使用超声波作为一种强大的工具来诊断欠发达地区的多种疾病。除了上 述应用外 ，人工智 能还可以 协助标准决 策支持系 统（DSS）[92，93]提高诊断准确性，促进疾病管理，以减轻人员负担例如，人工智能已用于癌症的综合管理[94]，以支持热带疾病[95]和心血管疾病[96]的诊断和管理，并支持诊断的决策过程[92]。这些应用表明，人工智能可以成为早期和准确诊断、管理甚至预测疾病和患者状况的强大工具两个案例研究如下所示4. 医疗保健AI现在覆盖了广泛的医疗保健应用[97]。特别是，它已被用于信号和图像处理，并用于预测功能变化，如膀胱控制[98]，癫痫发作[99]和中风预测[100]。下面，我们描述两个典型的案例研究：膀胱容量预测和癫痫发作预测。4.1. 膀胱容量预测当膀胱的储存和排尿功能由于脊髓损伤或由于其他神经系统疾病、健康状况或衰老而失效时，患者的健康状况会出现各种并发症。如今，使用植入式神经刺激器可以实现药物难治性患者膀胱功能的部分恢复。为了通过条件性神经刺激提高神经假体的效率和安全性[101]，需要检测储存尿液的膀胱传感器作为仅在需要时施加电刺激的反馈装置。传感器还可用于通知患者当膀胱需要排空时或当不完全排尿后残留异常高的排尿后量时，及时地损害感觉。我们已经提出了新的方法[102]并开发了专用的数字信号处理器（DSP）[103]，用于通过使用来自膀胱的规则神经根的传入神经活动（即，机械感受器），其描绘了填充期间的变化。智能神经假体通常由两个单元组成：植入患者体内的内部单元和通常作为可穿戴设备携带的外部单元。两个单元通常通过无线链路连接，该无线链路传送数据并向植入物提供电力。内部单元执行若干功能：神经信号记录;传达感觉信息的信号的芯片上处理（在可变程度上，取决于应用）;使用功能性电刺激（FES）技术对适当神经进行神经刺激;植入单元功能的逻辑控制;以及与外部单元的通信。当需要额外的信号处理来执行需要额外计算能力的更复杂的算法时，由于尺寸、功耗、温升、电磁发射等原因，这些算法不适合植入，内部单元将记录的信号发送到外部单元，外部单元执行更复杂的算法并发回适当的神经刺激命令。外部基站集成了本节介绍的工作旨在设计一种有效的膀胱可植入体积和压力传感器，能够为神经假体提供必要的反馈。该传感器最终可以用于实施条件神经刺激方法以恢复膀胱功能，或者用于由于上述几种疾病和病症而具有受损感觉的患者的膀胱充满感测。为了更好地满足患者对膀胱神经假体设备的需求，我们选择在植入式单元内实现能够实时解码膀胱压力和容量的优化DSP。这种方法极大地影响了最合适的预测方法的选择，下文对此进行了描述。提出了基于ML算法的定性和定量监测方法来解码由膀胱自然传感器产生的传入神经活动（即，响应膀胱壁拉伸的机械感受器）。为了实现这些方法，必须检测、区分（即，分类），然后实时解码。所提出的定性方法将膀胱充盈度解码为仅三个级别（即，低、中、高）。该方法使用更少的硬件资源，显著减少了操作次数，从而使功耗最小化。定量方法需要更复杂的算法来计算膀胱体积或压力，以反馈神经刺激的闭环系统，但由于定制的硬件，它被优化为以最小的功耗在植入单元中运行。用于定性和定量方法的监测算法首先实时执行离线学习阶段（也在此阶段，传感器学习或识别用于实时监控的参数对于学习阶段，我们可以选择最好的算法，无论其复杂性和执行时间如何，因为它们是在通过外部单元连接到植入物的计算机中离线执行的。得益于学习阶段，我们可以将复杂性和硬件负担转移到离线处理，从而允许以较低复杂性但有效的预测算法和优化的功耗来实现实时监控阶段。学习阶段包括：296G. Rong et 其他/工程 6（2020）291BXi¼;;1ÞEqual<$1- OSR< $1-i<$1B(1) 数字数据调节，包括用非因果线性相位有限脉冲响应（FIR）滤波器进行带通滤波;(2) 识别与膀胱体积和/或压力具有最佳相关性的传入神经活动（图4所示示例中的单元1）。使用Spearman当量（1）用于计算Spear-manPn1。F Rik-F Rk。Vik-VkKK高）：低容量（舒适水平）、需要排尿的中等容量水平（在某个预定时间内）和急排尿的高容量（存在尿液泄漏的风险）。编程阈值对应于膀胱容量的0.25、0.5和1.0通过在学习阶段使用基于线性回归的算法，我们计算了这三种充满度的BIR： BIR0.25，BIR0.5和BIR1.0。最后，通过在实时计算的BIR和存储的参考值（BIR0.25、BIR0.5和BIR1.0）内找到最小距离来实现定性体积或压力预测基于该方法，每个箱被分配到三个充满度之一程度. 为了找到最佳的bin长度，使用K ^^ffi ffiFffiffi ffiRffiffiffiffiffiffi ffi—ffiffiffiffi ffiFffiffi ffiRffiffiffi ffiΣffiffi ffi2ffi ffiPffiffiffiffi ffinffiffiffiffi ffi.ffiffiVffiffiffiffiffiffiffiffi-ffiffiffiffiffiVffiffiffiffiffiΣffiffiffi2ffi1/1i;k1/1i;k不同的间隔和长度产生最好的（即，最低）其中，q，k是第k类单元的斯皮尔曼FRk和Vk分别是相对于类别k的(3) 计算背景神经活动，其中背面-地面基线是通过对神经FR进行平均计算的，计算Eq.（2），我们计算了总体成功率（OSR）[104]，这是所有状态的良好分类与所有执行分类的比率。OSR通过加上Bi（估计状态与实际状态匹配的仓的数量）并除以仓的总数（n）来评估。PnBin膀胱充满生理盐水前60 s;(4) - 使用仓的体积曲线量化，其导致具有适当选择的宽度的有限数量的仓，此后定义为仓宽度（BW）;(5) FR积分，其涉及计算箱内的FR在所选单元的仓内检测到的尖峰的数量），此后称为仓积分率（BIR）;(6) 体积或压力预测，为此，如上所述，我们使用两种算法进行膀胱体积或压力预测：一种定性算法预测膀胱充盈的三个水平，另一种算法对其进行量化两种算法的简短描述如下所示定性体积或压力预测算法预测表示膀胱充盈度的三个水平（低，中，为了使用少量的硬件资源来实现定量体积和压力估计，使用回归方法模型，如等式（1）所示（3）：NV¼c i× BIR i1/4其中V是估计体积，ci表示回归模型系数。我们使用二次稳健拟合方法来计算ci，并最大限度地减少离群值的影响[105]。 回归模型的最佳阶数（N），如等式（1）所示。（3），是通过使用来自动物模型的真实神经记录进行模拟（试验）而发现的。通过运行几个模拟试验，我们选择了最小的N和最短的BW，这产生了最低的估计误差。图四、缓慢充盈期间的膀胱传入神经活动记录（ENG）示出了所识别的三个单位的尖峰在该实施例中，单元1活动表现出与膀胱体积的最佳相关性ENG：神经电图;Pves：膀胱压;U1：单位1; U2：单位2; U3：单位3; 1 cmH2 O = 98.0655 Pa。Q定性估计误差）采用Eq. （二）、到ð2ÞG. Rong et 其他/工程 6（2020）291297BbBb当量（3）也可以用来估计压力，V，P。压力估计所需的参数也可以在学习阶段期间计算。我 们 使 用 均 方 根 误 差 （ RMSE ） ， 它 是 使 用 方 程 计 算 的 。（4）、对算法进行了实时类测试运行的验证由方程式在等式（4）中，Vi是所述流体的当前体积（或压力，VP）bini，Vi（或Pi）是使用等式（1）计算的体积（或压力）值的估计bin。（3）对于相同的bini，并且n是bin的总数。vuP。ffiffiffiVffiffiffiffiffiffiffiffiffiffiVffibffiffiffiffiΣffiffiffi2ffiffi我我n4.2. 癫痫发作预测癫痫是一种神经退行性疾病，是最常见的神经系统疾病之一，其特征为自发性、不可预测性和复发性癫痫发作[107，108]。虽然一线治疗包括长期药物治疗，但超过三分之一的患者是难治性的。另一方面，由于成功率非常低和担心并发症，癫痫手术的求助率仍然相对较低。一个有趣的研究方向是探索预测癫痫发作的可能性，如果可能的话，导致替代干预策略的发展RMSE1/2-ð4Þ[83]. 尽管早期的预测地震的研究可以追溯到到20世纪70年代[109]，缉获事件的数量有限，实时监控阶段运行以下步骤：① 数字非因果滤波 动态穗分类;③使用最佳BW计算BIR;将 BIR与基线进行比较，并将体积设置为0以获得较低的值;以及，如果BIR较高，则继续使用Eq. （三）、执行了几个测试运行来测试和验证我们的算法，如图5中的示例所示[106]。最后，所有提出的算法进行了验证，从麻醉大鼠在急性实验中记录的数据。有关这些实验和预测算法的更多细节见参考文献。[102].当记录的传入神经活动显示斯皮尔曼0.6或者更好我们还成功地定量预测膀胱容量和压力采用适当选择的持续时间的时间窗口。我们实施了专用DSP，如图6[106]所示，以监测膀胱体积或压力，运行上述算法。如本节所述，DSP实时运行膀胱传入神经活动的动态尖峰分选和使用合成数据（具有已知的先验基础事实）和从来自膀胱传入神经的急性实验记录的信号来验证专用DSP动态尖峰分选算法在专用DSP上运行，与文献[103]中报道的其他工作相比具有优势。即使使用由高度相关的尖峰波形和低信噪比组成的复杂合成信号，我们也实现了更高的准确度（92%）。体积或压力预测模块的定量和定性估计的准确性分别为94%和97%。缺乏颅内脑电图（iEEG）记录，以及发作间期的有限范围已经成为充分评估癫痫发作预测性能的主要障碍。有趣的是，通过ieeg.org在线门户网站[110]可以访问从植入动态监测设备（Neuro- Vista）的自然癫痫犬中获取的iEEG信号。然而，癫痫发作区未披露/可用。我们的小组研究了使用上述犬的数据预测癫痫发作的可能性随后，我们对位于癫痫网络内的电极进行了基于定向传递函数（DTF）的定量识别[111]。遗传算法被用来选择最具鉴别力的发作前状态的特征。我们提出了一个新的拟合函数，是不敏感的偏斜数据分布。在保留数据集上报告了在10%的警告时间时的平均灵敏度为84.82%，改善了先前的癫痫发作预测性能[111]。为了寻找癫痫发作预测的新机会，我们还探索了基于高阶谱分析跟踪发作前状态的新特征提取的特征，然后作为输入到一个多层感知器进行分类。我们的初步发现揭示了使用三种双谱提取特征的发作间期和发作前状态之间的显著差异（p0.05）。平均幅度、归一化双谱熵 和 归 一 化 平 方 熵 的 测 试 准 确 率 分 别 为 73.26% 、 72.64% 和78.11%。此外，我们证明了在相同的双侧犬iEEG记录中，癫痫发作前和发作间期状态之间在平均相位-振幅耦合方面存在一致的差异与此相反，我们还探讨了使用定量的有效连接措施来确定网络的可能性，图五、模拟实时数据处理实验中的定量体积估计[106]。第一个测量周期用作训练阶段，随后是两个连续周期，其中从训练阶段计算体积使用六阶回归模型，该纤维的最佳BW为47 s第一个周期的拟合误差和随后两个周期的估计误差都很低，每个周期的RMSE分别为2%、3.9%和4.1%298G. Rong et 其他/工程 6（2020）291见图6。专用DSP用于膀胱容量或压力监测[106]。FSM：有限状态机; C1高密度记录中的癫痫发作活动DTF量化iEEG记录之间因果关系的能力然而，分析信号的准平稳性仍然是避免iEEG触点之间虚假连接的必要条件[113]。虽然在处理相对少量的接触时可以识别稳定时期，但在分析高密度iEEG信号时变得更具挑战性。最近，一种时变版本的DTF被提出：频谱加权自适应定向传递函数（swADTF）。swADTF能够处理非平稳性问题并自动识别感兴趣的频率范围[113]。随后，我们验证了通过在高密度记录上使用swADTF找到癫痫发作活动发生器和汇的可能性[114]。该数据库包括在蒙特利尔大学医院中心接受术前评估的难治性癫痫患者。有趣的是，对于手术切除后无癫痫的患者，已识别的癫痫活动源位于癫痫病灶和切除体积内。相比之下，在非无癫痫发作患者中识别出了额外或不同的发生器。我们的研究结果强调了使用swADTF准确识别缉获发生器和汇的可行性。因此，在未来的癫痫发作预测研究中，建议采用基于有效连通性测量的电极选择方法。最近的研究结果强调了预测癫痫发作使用iEEG记录;从发作间期到发作状态的转变包括可以使用高级特征提取和AI技术来跟踪的“积累”。然而，在当前的方法可以转化为实际的临床设备之前，需要在特征提取、电极选择、硬件实现和深度学习算法上进行进一步的研究。5. 结论本文综述了人工智能在生物医学中的应用，包括疾病诊断与预测、生活辅助、生物医学信息处理、生物医学诊断与预测、生物医学诊断与预测、生物医学和生物医学研究。人工智能在许多其他生物医学领域也有有趣的应用。可以看出，AI在生物医学中扮演着越来越重要的角色，这不仅是因为AI本身的不断进步，更是因为生物医学问题先天的复杂性，以及AI解决这类问题的适宜性。新的人工智能能力为生物医学提供了新的解决方案，生物医学的发展需要人工智能的新水平。这种供需匹配和联动发展将使这两个领域在可预见的未来取得重大进展，最终有利于有需要的人的生活质量。确认本课题得到了西湖大学创业研究基金（041030080118）、西湖大学研究基金、光明梦想智能机器人联合研究院（10318H991901）的资助遵守道德操守准则Guoguang Rong、Arnaldo Mendez、Elie Bou Assi、Bo Zhao和Mohamad Sawan声明他们没有利益冲突或财务冲突需要披露。命名法AAL环境辅助生活AI人工智能人工神经网络ASIC专用集成电路BioQA生物医学问答BIR面元积分速率CMA计算建模辅助DSP数字信号处理器决策支持系统G. Rong et 其他/工程 6（2020）291299DTF定向传递函数心电图脑电图ES-MR记忆康复专家系统GPU图形处理单元FES功能性电刺激FIR有限脉冲响应FPGA现场可编程门阵列HMIiEEG颅内脑电图IoT物联网ML机器学习NN神经网络个人数字助理解放军丧失自主能力人员POCT即时检测均方根误差活动限制和安全意识的SALSA筛选swADTF频谱加权自适应定向传递函数FR发射率BW面元宽度OSR总体成功率引用[1] 明斯基湾迈向人工智能。 Proc IRE1961;49（1）：8-30.[2] Weng J，McClelland J，Pentland A，Sporns O，Stockman I，Sur M，等. 机器人和动物的自主智力发展。Science 2001;291（5504）：599-600.[3] Wooldridge M，Jennings NR.智能代理：理论与实践。 KnowlEng Rev 1995;10（2）：115-52.[4] 黄G，黄GB，宋S，游K.极限学习机的趋势：综述。神经网络2015;61：32-48.[5] 霍普菲尔德JJ。神经网络和物理系统与新兴集体计算能力。Proc Natl Acad SciUSA1982;79（8）：2554-8.[6] WattsDJ ， Strogatz SH. “ 小 世 界 ” 网 络 的 集 体 动 力 学 Nature1998;393（6684）：440-2.[7] Zucker RS，Regehr WG.短期突触可塑性。Annu Rev Physiol2002;64：355-405.[8] Schmidhuber J. Deep learning in neural networks ： an overview. 神 经 网 络2015;61：85-117.[9] 李康Y，本吉奥Y，辛顿G.深度学习 Nature2015;521（7553）：436-44.[10] Arel I，Rose DC，Karnowski TP.深度机器学习-人工智能研究的新前沿。 IEEEComput Intell Mag 2010;5（4）：13-8.[11] Dinkelbach HU，Vitay J，Beuth F，Hamker FH.在并行硬件上比较平均发射率神经网络的GPU和CPU实现。Network Comput Neural Syst 2012;23（4）：212-36.[12] NaverosF，Garrido JA，Carrillo RR，Ros E，Luque NR. 勘误表：使用并行CPU-GPU协处理的事件和时间驱动技术用于尖峰神经网络。2018年12月24日，《前沿神经信息》。[13] Naveros F，Luque NR，Garrido JA，Carrillo RR，Anguita M，Ros E.使用并行CPU-GPU协同处理集成事件驱动和时间驱动计算方案的尖峰神经模拟器：案例研究。IEEE TransNeural Netw Learn Syst 2015;26（7）：1567-74.[14] [10]杨文，李文.加速二进制神经网络：FPGA 、CPU、GPU和ASIC的比较In：Proceedings of 2016 International Conference on Field-ProgrammableTechnology;2016 Dec 7-9; Xi'an，China; 2016. p. 七十七比八十四[15] Bartolozzi C，Indiveri G.模拟VLSI中的突触动力学。神经计算2007;19（10）：2581-603.[16] KwonMW，Baek MH，Hwang S，Park K，Jang T，Kim T，et al. 使用正反馈场效应晶体管进行低功耗操作的集成和激发神经元电路。J Appl Phys 2018;124（15）：152107。[17] Grollier J，Querlioz D，Stiles MD.用于生物启发计算的自旋纳米器件。ProcIEEE 2016;104（10）：2024-39.[18] Jeong H，Shi L.用于神经网络的忆阻器器件。J Phys D Appl Phys2018;52（2）：023003。[19] PreziosoM ， Merrikh-Bayat F ， Hoskins BD ， Adam GC ， Likharev KK ，Strukov DB. 基 于 金 属 氧 化 物 忆 阻 器 的 集 成 神 经 形 态 网 络 的 训 练 和 操 作 。Nature2015;521（7550）：61-4.[20] Wen S，Huang T，Zeng Z，Chen Y，Li P.忆阻神经网络的电路设计和指数稳定性。 神经网络2015;63：48-56.[21] 张X，黄A，胡Q，小Z，楚PK。使用忆阻器交叉开关的神经形态计算。物理状态固体A 2018;215（13）：1700875。[22] Yoshida J. IBM为8位AI突破而战 剑桥：EE Times; 2018年12月3日[引用于2019年1月17 日 ] 。 网 址 ： https ： //www.eetimes.com/document.asp? doc_id=1334029&utm_source=eetimes& utm_medium=networksearch.[23] MarshallRC，Freed DB，Karow CM. 失语症被试对从属范畴名称的学习：深层与表层训练方法的比较。失语症2001;15（6）：585-98。[24] Erhan D，Bengio Y，Courville A，Manzagol PA，Vincent P，Bengio S.为什么无监督预训练有助于深度学习？J Mach Learn Res2010;11：625-60.[25] 作者：Yuan X，Xie L，Abouelenien M.深度学习的正则化集成框架，用于从多类不平衡训练数据中检测癌症。Pattern Recognit 2018;77：160-72.[26] Rodríguez-PérezR，Bajorath J. 复合分析矩阵的预测，第二部分：基于不同数量 的 训 练 数 据 的 多 任 务 深 度 学 习 和 随 机 森 林 分 类 的 相 对 性 能 。 ACSOmega2018;3（9）：12033-40。[27] 放大图片作者：J. A.神经网络自适应过程的有效性依赖于恒定的训练数据可用性。神经计算2009;72（13-15）：3138-49.[28] 蒋明，张泰.雾和物联网：研究机会概述。IEEEInternet Things J 2016;3（6）：854-64.[29] Guo Y ， Liu Y ， Oerlemans A ， Lao S ， Wu S ， Lew MS. Deep learning forvisualunderstanding：a review.神经计算2016;187：27-48.[30] Nguyen H，Kieu LM，Wen T，Cai C.交通领域的深度学习方法综述。IET IntellTransp Syst2018;12（9）：998-1004.[31] Yang D ， Jiang K ， Zhao D ， Yu C ， Cao Z ， Xie S ， et al. Intelligent andConnectedVehicles ： Current Status and Future Perspectives. 中 国 科 学 技 术2018;61（10）：1446-71.[32] Alshahrani S，Kapetanios E.深度学习方法是否适合自然语言处理？In：MetaisE，Meziane F，Saraee M，SugumaranV，Vadera S，editors. 自然语言处理和信息系统。Cham：Springer; 2016. p. 343- 9[33] Kim TH.意见挖掘中自然语言处理的新兴方法综述。In：Tomar GS，GroskyWI，Kim TH，Mohammed S，Saha SK，editors. 普适计算和多媒体应用。Berlin：Springer;2010. p. 121- 8[34] 沙尔·S 模仿学习是通向