来自麻省理工学院和其他地方的研究人员开发了一种系统，通过分析便携式神经影像设备的大脑活动来测量患者的疼痛程度。该系统可以帮助医生诊断和治疗无意识和无法交流的患者的疼痛，从而降低手术后可能发生的慢性疼痛的风险。
图源：viralobuzz.com
疼痛管理是一项极具挑战性的复杂平衡工作。例如，对疼痛的过度治疗有使患者对止痛药上瘾的风险。另一方面，对疼痛治疗不足可能导致长期慢性疼痛和其他并发症。
如今，医生通常会根据患者自己的感受来评估疼痛程度。但是那些无法有效表达自己的感受，甚至完全无法感知的患者该怎么办呢？例如儿童、老年痴呆症患者或接受手术的患者。
在情感计算与智能交互国际会议上发表的一篇论文中，研究人员描述了一种量化患者疼痛的方法。为了做到这一点，他们利用了一种新兴的神经成像技术，称为功能性近红外光谱（fNIRS），其通过将传感器放置在头部周围来测量氧合血红蛋白浓度，最终指示神经元活动。
前额叶皮层在疼痛处理中起着重要作用，他们的工作中，研究人员在患者额头上使用 fNIRS 传感器来测量前额叶皮层的活动。利用测量得到的大脑信号，研究人员开发了个性化的机器学习模型，以检测与疼痛反应相关的氧合血红蛋白水平的模式。当传感器就位后，该模型可以检测患者是否正在经历疼痛，其准确度约为 87％。
我们测量疼痛的方式多年来没有改变过。 哈佛-麻省理工健康科学与技术专业的博士生兼麻省理工媒体实验室的研究员 Daniel Lopez-Martinez 说道。 如果我们没有衡量一个人经历了多少疼痛的指标，那么治疗疼痛和进行临床试验就会变得具有挑战性。我们研究的目的是客观地量化疼痛，不需要患者的配合，例如当患者在手术过程中失去意识的时候。
传统上，手术患者接受麻醉和药物治疗是根据其年龄，体重，既往疾病和其他因素。如果他们不动并且心率保持稳定，他们则被认为是健康的。但是大脑可能在无意识状态下仍在处理疼痛信号，这可能导致术后疼痛和长期慢性疼痛增加。研究人员的系统可以为外科医生提供有关无意识患者疼痛水平的实时信息，据此他们可以相应地调整麻醉和药物剂量以阻止这些疼痛信号。
Lopez-Martine 这篇论文的共同作者还有：哈佛医学院的 Ke Peng，波士顿儿童医院和麻省总医院的 Arielle Lee 和 David Borsook; 和媒体实验室媒体艺术和科学教授以及情感计算研究主任 Rosalind Picard 等。
集中于前额
在他们的工作中，研究人员调整了 fNIRS 系统并开发了新的机器学习技术，使该系统在临床使用上更加准确和实用。
为了使用 fNIRS，传统上传感器被放置在患者头部周围。不同波长的近红外光穿过头骨进入大脑。含氧和脱氧的血红蛋白以不同方式吸收波长，它们的信号也略有变化。当红外信号反射回传感器时，信号处理技术利用改变后的信号来计算每种血红蛋白类型在大脑的不同区域中的含量。
当患者受伤时，大脑中与疼痛相关的区域将出现氧合血红蛋白的急剧上升和脱氧血红蛋白的下降，而这些变化可以通过 fNIRS 监测到。但传统的 fNIRS 系统需要将传感器放置在患者头部周围，这可能需要很长时间才能完成，并且对于必须躺下的患者来说会很困难。对于接受手术的患者来说，这也是不可行的。
因此，研究人员对 fNIRS 系统进行了调整，使其专门测量仅来自于前额皮质的信号。虽然疼痛处理涉及来自大脑多个区域的信息输出，但研究表明，前额叶皮层整合了大部分的信息。这意味着他们只需要把传感器放置在前额上。
传统 fNIRS 系统的另一个问题是它们会从颅骨和皮肤捕捉到一些导致噪音的信号。为了解决这个问题，研究人员安装了额外的传感器来捕捉和滤除这些信号。
个性化的疼痛模型
在机器学习方面，研究人员从 43 名男性参与者那里收集了一个称为 疼痛处理数据集 的模型，并对其进行了训练和测试。（接下来，他们计划从不同的患者群体中收集更多的数据，包括手术期间和清醒时，以及在疼痛强度范围内的女性患者，以便更好地评估系统的准确性。）
每个参与者都戴着研究人员的 fNIRS 装置，随机暴露于一种无害的感觉中，然后在两种不同的疼痛强度下对拇指进行十多次电击，测量范围为1-10：低水平（约3/10）或高水平（约7/10）。这两种强度是通过预测试来确定的：参与者自我报告的低水平电击是有明显意识的无痛感电击，而高水平的电击是他们可以忍受的最大痛感。
在训练中，该模型从信号中提取了几十个特征，这些特征与血红蛋白的含氧量和脱氧量以及血红蛋白的含氧水平上升的速度有关。量和速度这两个指标可以更清晰地描述病人在不同强度下的疼痛体验。
重要的是，该模型还自动生成 个性化 子模型，从单个患者亚群中提取高分辨率特征。传统上，在机器学习中，一个模型基于整个患者群体的平均反应来学习分类 疼痛 或 无疼痛 。但这种笼统的方法可能会降低准确性，尤其是对于不同患者群体。
研究人员的模型针对的是整个群体，但同时也能在更大的数据集中识别出不同亚群体的共同特征。例如，对两种强度的疼痛反应在年轻和年老患者之间可能有所不同，或者取决于性别。这就产生了学习的子模型，这些子模型可以分离并同时学习其患者亚群的模式。然而，与此同时，他们仍然在分享整个群体共享的信息和学习模式。简而言之，他们同时利用个性化信息和人口级别的信息进行更好的培训。
从数据集中随机抽取一组参与者的大脑信号，对疼痛或无疼痛进行分类，来评估个性化模型和传统模型，其中每个参与者的自我报告疼痛评分都是已知的。个性化模型的准确率比传统模型高出约 20%，达到约 87%。
因为我们只需在额头上使用少量传感器就能以如此高的精度检测疼痛，所以我们有坚实的基础将这项技术应用于临床中。 Lopez-Martinez 说道。
