黄佳星 王猛 江洪

(武汉大学人民医院心内科 武汉大学心血管病研究所 心血管病湖北省重点实验室 武汉大学心脏自主神经研究中心，湖北 武汉 430060)

心脏由交感神经和迷走神经共同支配。在生理情况下，迷走神经和交感神经互相制约，保持动态平衡。而在病理情况下，自主神经系统(autonomic nervous system，ANS)出现失衡，主要表现为交感神经活性升高，迷走神经活性降低。交感神经活性升高是心律失常发生的关键因素，其中左侧星状神经节(left stellate ganglion，LSG)为介导心脏交感神经活性升高的关键靶点。在Yu等[1]的研究中，通过光敏蛋白可逆地抑制LSG的神经活性，预防室性心律失常的发生。交感神经活性升高同时也是心肌梗死、心肌梗死后心脏重构和心功能恶化等心血管事件的重要因素，在Yu等[2]的另一项研究中证明，通过低水平耳缘迷走神经刺激可减轻ST段抬高型心肌梗死患者的心肌缺血再灌注损伤。

人工智能(artificial intelligence，AI)技术现在已应用于各领域，如心力衰竭(heart failure，HF)的管理以及预后分析[3-4]，室性心律失常的识别[5]以及通过迷走神经刺激(vagus nerve stimulation，VNS)治疗难治性癫痫的预后判断等[6]。AI与神经活性分析的结合是自主神经闭环调控的必经之路，在最大化提高患者受益程度的同时，减少对患者生活质量的影响。如通过监测交感神经活性来智能完成识别活性变化，并执行神经活性调控治疗来预防心源性猝死或恶性心律失常。现着重讨论常用于神经活性分析的AI算法以及AI在神经活性分析领域的应用及前景。

1 常用于神经活性分析的AI算法

AI算法分为机器学习(machine learning，ML)和深度学习(deep learning，DL)。也可根据训练方式的不同分为有监督学习、无监督学习和强化学习。

1.1 ML算法

常用于神经活性分析的ML算法包括支持向量机(support vector machine，SVM)、朴素贝叶斯算法(naive bayes，NB)、随机森林算法(random forest，RF)、K最近邻算法(K-nearest neighbors，KNN)和K均值聚类算法(K-means)。

SVM常用于疾病预测、诊断和分类，如心房颤动(atrial fibrillation，AF)的复发预测、识别和分类，Li等[7]在基于卷积神经网络(convolutional neural network，CNN)的DL方法上结合了SVM，提出了一种优化的CNN算法(CNN-SVM算法)，能更准确地预测AF复发的可能性，帮助预测消融的效率。Gliner等[8]使用SVM对AF进行识别，可用于大量人群中AF患者的筛查。NB是贝叶斯分类中的一种常用分类器，来源于条件概率。Feeny等[9]使用ML对心脏再同步化治疗的反应率和生存率进行预测，其中最佳的ML模型为NB分类器。RF的单元是决策树，在Yang等[10]的研究中，定期随访了中国29 930例心血管病高危人群，并使用RF等算法来构建心血管疾病预测模型，用于心血管疾病的三年风险评估。Ayyad等[11]将KNN算法改进，在分类准确率、精确度和召回率方面与其他分类方法相比具有较大优势，其可用于表达数据分类，如帮助癌症预测和诊断。

K-means属于无监督学习算法。Cikes等[12]应用K-means和多核学习模型等无监督学习算法来分析由临床数据和超声心动图数据构成的数据库，以评估患者对心脏再同步化治疗的反应。结果提示无监督学习算法可为表型不同的HF提供在临床上有意义的分类，并有可能有助于优化特定治疗的有效率。

1.2 DL算法

DL包括人工神经网络(artificial neural network，ANN)和CNN。AI增强的心电图常使用的算法为CNN，根据心电图就能检测无症状左心室功能障碍、无症状AF、肥厚型心肌病以及个体的年龄、性别和种族[13]。Cámara-Vázquez等[14]使用CNN开发出通过体表电位标测来无创识别AF消融目标区域的模型，此方法可避免使用传统复杂的心电图成像技术。此外，Ramesh等[15]基于可穿戴智能设备使用CNN对短期心率变异性(heart rate variability，HRV)分析从而分类AF，有助于AF的筛查和个人健康管理。现将常用AI算法的特点总结如下(表1)。

表1 AI算法

2 AI在神经活性分析领域的应用及前景

神经活性可通过肌肉交感神经活动(muscle sympathetic nerve activity，MSNA)、皮肤交感神经活动(skin sympathetic nerve activity，SKNA)、皮层连通性和HRV等获得。SKNA较MSNA更加简单、无创，Kusayama等[16]开发的SKNA(neuECG)是目前较为方便的记录方式。HRV为临床上常用技术，其可根据低频/高频比值来判断交感神经活性。

2.1 神经活性分析及自主神经闭环调控

病理情况下自主神经活性常常发生改变，且通过自主神经干预达到神经再平衡已被证明是有效的治疗方法，因此自主神经的闭环调控是未来神经干预治疗的发展方向，但目前AI结合自主神经闭环调控的应用仍较少。实现自主神经闭环调控首先需分析出神经活性的变化及其意义，Sevcencu等[17]于2017年提出可从迷走神经活性中提取出于血压变化相对应的信息，血压相关的神经图谱可作为难治性高血压迷走神经刺激的标记。2021年Vallone等[18]开发并使用一种结合离散小波变换、主成分分析和分类树集成学习的解码算法解析出迷走神经活性变化所代表的意义，准确从迷走神经信号中正确地分析出不同的功能变化。此外Vallone等[18]提出电极位置对解码性能起着重要作用，还引入了一个新的指标来表征神经接口的记录和解码性能。Sabetian等[19]用袖带电极记录迷走神经活性并通过上气道阻塞对四种状态的神经活性产生影响，随后使用含高斯核的SVM对神经活性分析。研究表明，使用神经袖带电极和SVM分类器测量神经活动是可行的，为解码神经活性信息提供了帮助。Samejima等[20]通过使用典型相关分析算法对大脑皮层的上肢运动信号进行解码，并将该信号刺激于脊髓实现瘫痪小鼠上肢运动功能的恢复，实现了脑机脊髓的闭环调控。此外Samejima等[20]还将整个解码系统在小型化植入式设备中实现，这为自主神经的闭环调控提供了可行性证据及研究基础。此外，改进的神经电极[21]和神经数据采集系统[22]也可为自主神经闭环调控提供帮助。

2.2 神经活性分析及治疗受益性预测

迷走神经刺激现已用于多种疾病的治疗或辅助治疗中，如通过迷走神经刺激改善HF患者的症状，改善心脏重构[23-25]，治疗癫痫等[26]。神经干预治疗需一种有效的工具来预测治疗后效果，从而帮助临床医生选择治疗方案。在Ibrahim等[6]的研究中，难治性癫痫的儿童通过功能磁共振检查以获得皮层内在连通性。随后使用SVM对内在连通性进行分类，结果为SVM对持续VNS治疗后反应的分类准确率为86%。Ravan等[27]通过脑电图和心电图信号证明VNS刺激可降低癫痫的发作扩散和对心血管功能的影响，并证明了无监督分类法对VNS治疗反应性的鉴别能力和有效性。

2.3 神经活性分析及疾病预测

疾病早期诊断是目前医学研究的一大热点，各种危险因素及相关标志物提示可能存在相应疾病，AI用于疾病预测及早期诊断可更全面准确地判断复杂数据，如Mandal等[28]用SVM对HRV分类，根据在心脏不同阶段的波动情况来自动检测AF和HF的识别分类等。Uradu等[29]研究发现SKNA在阵发性房性心动过速和AF的发生终止之前，由此可通过AI判断交感神经活性预测AF是否将发生。Ali等[30]将两个SVM模型叠加在一起实现了对HF的有效预测，可帮助提高决策效率。

Walsh等[31]验证了癌症患者的自主神经功能是否存在障碍，其结果显示晚期癌症患者存在明显的ANS功能障碍，尤其是肺癌和前列腺癌。随后Guo等[32]通过HRV来分析自主神经障碍与癌症患者生存率之间的关系。结果显示，癌症患者伴心跳间隔的标准偏差<70 ms的生存率更低，预后相对较差。两个研究表明癌症患者的自主神经功能与其疾病发生发展及预后存在着一定关系。目前，Shukla等[33]通过AI分析HRV进行肺癌预测，实验使用ANN及SVM，结果显示AI可帮助诊断和预测预后。

2.4 AI提供神经活性研究工具

ML算法能区分模式、形状和结构，这使得它成为解释复杂生理信号的最有前途的方法之一。AI还可作为工具来提高研究效率，改善主观性。例如ML可为MSNA分析提供工具，Nolde等[34]通过训练三个深度神经网络，建立了一个分析MSNA的新平台，开发了MSNA的数据处理方法，从而评估信号的整体质量、单个信号峰值的有效性和MSNA爆发的可能性以及可能时间。Silverman等[35]开发了一套用于记录小鼠颈迷走神经电活动的系统，为进一步描述迷走神经通路在标准化小鼠疾病模型中的作用提供了有效的工具。现将AI与神经活性分析应用现状总结如下(表2)。

表2 AI与神经活性分析应用现状

3 结语

目前，AI已应用于医学各个领域，如心血管病学、眼科学和神经病学等。同样神经活性分析在医疗上的应用也越来越广，通过神经活性分析对临床诊疗的帮助也逐渐增大。然而目前AI应用于神经活性分析的研究仍较少，二者的联系依然不够密切。但随着神经活性分析的数据量越来越大，分析方法越来越多，神经调控相关研究的加深，必然会产生对AI的需求。由AI算法来帮助数据分类及结果预测，一定会推动神经活性分析领域的快速发展。