人工智能和机器人技术在区域麻醉中的应用

当前时代是在第四次工业革命中开元ky888棋牌官网版，其特征是物理，计算机和生物学的模糊化，这将改变我们的工作和生活方式。这种变化背后的推动力来自AI驱动的数据，这是一种通过模仿神经活动来解决复杂问题的方法。人工智能将影响科学学科，例如数据分析，例如人工传感，机器人技术，连通性，纳米技术，生物技术，材料科学，能源存储，量子计算和3D打印。人工智能在区域麻醉中的应用范围是巨大的，包括创建先进的临床决策支持工具，模拟训练期间性能指标的分析以及可以优化针头尖端准确性和局部麻醉注射的机器人的最终开发。在理解使用这些技术的范围，应用，局限性和障碍时，我们的目的是激发有关当前和新兴技术如何最好地应用于区域麻醉的讨论。

人工智能

可以预测，到2030年，人工智能将占英国GDP的16％，到2026年，人工智能将为英国的医疗经济节省150亿英镑，这是英国工业战略中的四个主要挑战之一，即Topol报告指出，揭穿人工智能，信息学和遗传学对NHS（英国国家卫生服务）的重要性，建议NHS应该扩大研发项目，共同创建数字技术并在行业交换网络中工作。为此，英国国家卫生服务局NHS于2019年9月任命了18名临床数字研究人员，以指导数字健康的改进和创新。支持人工智能的基本机制实际上是生物学，而不是计算机。互连的处理单元或节点的动态通信方式与人类神经元相同，并且与人工神经网络相同。成像中使用的人工神经网络的一个示例如图1所示。

图1用于成像的神经网络的示例。

最简单的网络具有两个输入单元和一个输出单元，称为perceptron（a）。该网络的扩展包含一个平行的隐藏层（B），称为馈电神经网络。它们的使用有限，但可以与其他网络一起使用。自动编码器压缩（编码）信息（c）。它们的特征是围绕中点（称为代码）的小隐藏层和对称性。此时，每个层在解码后进行编码。变体自动编码器使用贝叶斯数学，因此应用了概率（D）。在图像处理过程中，使用卷积神经网络（或深度卷积神经网络）进行对象识别（E）。他们使用一个小方扫描矩阵，将图像一个像素扫描一个。这些数据是通过仅连接到相邻细胞的卷积层传输的。卷积单元的数量随着图层数量的增加而减少。池层充当过滤器。反向卷积网络是一个反卷积神经网络（F）。他们可以从数据中生成图像。深卷积逆图网络是一个变体自动编码器，但具有卷积神经网络和深度卷积神经网络，分别用于编码器和解码器（G）。图像可以根据不同的观点，照明条件和形状变化重新渲染。深度残留网络是非常深的喂养神经网络，可以有效地训练数百个层（H）。连接从一层传递到另一层，另一层通过。

人工智能在区域麻醉中的应用将创新患者数据和数字图像获取，与术前数据，手术功能结果注册，处方数据库，剥夺指数和癌症数据库相关。机器学习的优点在于它具有在大型，笨拙，复杂的数据集中生成模型的能力，并为经典统计方法提供了有吸引力的替代方法。 NHS在整合所有医院数据方面具有独特的立场，AI提供了一个很好的机会，可以回答区域麻醉对短期和长期临床结果和副作用的影响。

理想情况下，区域麻醉神经跟踪适用于由人工智能驱动的计算机视觉，但是比面部识别更加困难，因为感兴趣的领域正在不断改变其外观。神经和周围组织之间的声阻抗相似，神经的亮度和形状沿其运动轨迹发生变化。后者的一个典型例子是坐骨神经的形状从大腿背面的圆形/椭圆形到下髋部的三角形。图像分析需要以30到60秒的速度记录所有超声扫描的像素超声扫描。这是一个缓慢，低效，密集的计算机流程。

1962年，Hubel和Wiesel发现，视觉信息从视网膜到大脑的传播归因于多层次的接受场，这一发现启发了Fukushima，设计了一个称为“ Neocognitron”的多层神经网络。这是卷积神经网络的原型。新知识是一个具有深层结构的神经网络，是最早提出的深度学习算法之一。如今，对图像的研究（也称为计算机视觉）无处不在。卷积神经网络可以通过过滤和合并来捕获图像的复杂时空特性，这些特性可以分为两种类型：二维（2D）和三维（3D）。 V-NET等网络用于磁共振成像的医学图像分割。

使用卷积神经网络进行了三项有关区域麻醉的研究。第一项研究的目的是量化纹理，这反映了超声图像中像素的灰度空间布置。对10例患者进行了神经扫描中位数。作者比较了七种纹理特征提取方法，并表明一种称为“自适应阈值二进制模式”的方法比其他六个跟踪算法表现出更好的性能。尽管是自动的，但此方法使用逐帧跟踪系统。该方法的缺点是，在每个帧的时间过程中，回声将变化，测量结果落在屏幕上的变化背后。第二项研究评估了13个深度学习网络在识别上臂和大腿后扫描过程中的中位和坐骨神经时的性能。扫描了42名匿名患者的25个中位神经和17个坐骨神经。基于保留在预定义边界框中的像素比，中位神经的精度为94％，坐骨神经为80％，表明中位神经更易于跟踪。

我们小组最近的一项未发表的研究建立了一个卷积神经网络，以识别大腿后部扫描的坐骨神经。图2显示，该网络由六个部分组成，其中五个提取了超声图像的特征，另一部分在提取所有功能后会生成输出掩码，其目的是吸引系统注意， IE专注于重要信息忽略无关的信息。这是具有挑战性的，因为每个帧都有独特的背景，从而降低了细分的准确性。从popliteal窝进行了五次坐骨神经扫描到大腿的上和下臀部，总共分析了3789帧。与标准2D U-NET方法（0.82和90.2）相比，使用骰子系数和检测评估函数（交集与工会相交）更好。内部研究方法的性能要比标准2D U-NET方法（0.82和90.2）更好。 （检测评估函数（与工会相交）和骰子系数分别为0.87和93.2）。上述研究表明，在区域麻醉中，神经检测是可行的，但是需要进一步研究和开发更强大的临床应用跟踪系统。

图2卷积网络结构旨在识别用于手动标记坐骨神经的左上角的训练的超声图像。这些图像被连续地简化为更容易处理的形式，而不需要丢失准确性就需要更少的计算能力。卷积的关键要素是过滤器或内核。它比图像小得多，并在图像上移动直到完全扫描。第一个卷积层捕获了低级特征，例如线条和颜色。其他图层以形状的形式添加了高级功能。通过识别内核的最大或平均值，合并在降低降噪和降低性降低中起作用。通常认为最大池量更好。然后将数据输入到传统的神经网络中。自我注意力是一种用来描述增强相邻元素的特征提取的术语。

机器人

到2023年，机器人技术在医疗保健中的应用将在全球市场扩大，价值超过150亿英镑。到目前为止，医疗机器人一直在专注于手术援助，康复，医疗运输，环境卫生和药物分配。即使在手术程序中，机器人的使用也不常见。尽管全自动机器人可能会出现在遥远的未来，但目前仅使用机器人来提高手术的准确性和效率，尽管这可能会通过改变患者的位置和阻碍沟通来干扰麻醉。

麻醉机器人分为三类：药物，机械和认知。药物机器人的一个典型特征是在反馈回路中使用脑电图进行目标控制麻醉。机械机器人比人具有更好的准确性和灵活性，而认知机器人充当决策支持系统。药物机器人已用于催眠和通风，并有助于缓解疼痛，控制温度和内部环境的平衡，并且有证据表明，与人工系统相比，它可以减少工作量并提高安全性。

使用机械机器人的麻醉仍处于起步阶段。迄今为止，大多数工作都是在气管插管或区域麻醉中完成的。 2019年的小说冠状病毒（Covid-19）为麻醉师提出了“快速部署”要求，这显然需要提高气道管理方面的临床技能。机器人气道管理中的机器人应用的一个例子是机器人内窥镜 - 一种自动通过喉咙成像的气管插管装置（Realiti）。对人体模型的概念验证研究表明，尚未接受医学培训的非专业人士以自动模式更快地执行程序。

在区域麻醉方面，最近的一项培训研究使用了由操纵杆驱动的机器人臂（麦哲伦手术机系统）来评估学习曲线。当五名麻醉师测试了神经抗抗药酶时，与手动针头插入相比，十个针插入过程中的学习曲线有所改善。但是，这项研究受到样本量，重复几乎没有绩效标准的限制。陡峭的学习曲线可能反映了该技术的新颖性，在早期试验中，性能时间更长。在测试区域针头跟踪系统期间，还确认了这种现象，并且在采用新技术时强调了对全面训练的需求。此外，在培训期间，过度依赖机器人援助也有潜在的危险：尽管它可以减少受训者之间的差异，但总体能力可能不足，这将在气道管理紧急情况和设备故障的情况下留下麻醉师。被动状态。因此，机器人干预是在培训中严格设计的，作为一种反馈系统，以帮助而不是取代学习过程。

未来的临床系统不仅能够告知麻醉师该问题，还可以推荐或实施治疗。认知机器人可以是被动的（由预设手动触发器操作）或活动（提供实时警报和评估）。考虑到了解复杂的病史需要多种技能，监测生命体征并在异常情况下做出重要判断，机器人似乎可能会有助于麻醉实践。在不久的将来，机器人系统可能会以“自动驾驶”模式工作，直到需要手动操作为止，但是临床决策将是人类的领域。即使AI具有没有人为错误和认知偏见的能力，我们也必须记住，由于程序错误或异常事件，它们仍然可能犯错。

未来的发展

未来的人工智能和机器人技术将为混合现实技术提供信息，包括高级传感系统，显示系统和仿真平台。增强和虚拟现实已经存在，正在影响培训和实践。运动，视觉和触摸之类的感觉模式不仅会为增强和虚拟环境增添现实感，而且还将提供操作员的反馈，而且将来也将应用于自动机械机器人。因此，虚拟环境和物理机器人都将包含综合客观指标，以衡量培训并指导临床表现。

运动的

精细运动控制是安全区域麻醉的基本要素。帝国技术学院的手术评估设备（ICSAD）是一种在手术训练期间测量手动运动的良好方法。上锁骨臂在区域麻醉研究期间的操作时间，运动次数，直径长度和性能方面开元ky888棋牌官方版，在阻塞麻醉方面显示了专家和新手之间的差异。最近，手动分析已用于评估猪肉模型上的针头尖端跟踪技术。同样开元棋官方正版下载，手动运动和直径长度减小，但仅限于平面块。这些初步结果通过在接受腰丛块的志愿者中进行的一项研究证实。手移动分析可以解释手移动在特定任务中的作用以及手移动与效率之间的关系，但没有提供手眼协调的完整指标。对于超声引导的区域麻醉，已经开发了工具来解决使用基于视频的自我评估方法的手眼协调问题，但是由于没有视觉注意力的措施，这些工具仍然部分主观。

想象

超声扫描的解剖结构的识别和解释是一项至关重要的技能，需要时间才能发展。新手主要依靠有限的自上而下处理选择性视觉处理路径。视觉搜索是基于一次对一个功能的连续搜索，与他们的明确期望相匹配，但取决于受训者的知识水平。

专家将自上而下的知识与整体视觉模式识别（即自下而上的意义）相结合，以生成一个隐含的优先级图，该图可以使视觉扫描更快，更准确，并更加关注与任务相关的领域。眼科跟踪技术已应用于腹腔镜，放射学，病理学以及最近的超声引导区域麻醉，以客观地评估决策和注意力分配（图3）。

图3区域麻醉传感器技术的示例（a）受训者穿着瞳孔核心200 Hz双眼眼动追踪玻璃。将眼镜连接到最佳分析软件v1.14。正在进行校准检查。 （b）开发研究的输出，显示了基于度量的反馈的示例。眼球凝视点（红色圆圈）通过扫视（红线）连接。蓝色圆圈表示最终的眼睛凝视点，绿色数字表示完成任务时测量的眼光数量。 （c）第三项研究的结果表明，在10多次重复期间，每个任务的凝视数量总体下降。显示了最佳拟合线，表明性能的改善。

眼睛跟踪技术可以帮助解释学习经验的困难，但也可以用来收集学生的表现水平和跟踪学习曲线。技术进步包括自动校准与神经网络相关的眼镜，以及可以跟踪重复块上实时性能更新的软件。使用眼动追踪技术的超声引导的区域麻醉研究表明，眼睛运动可以区分经验丰富的超声引导的区域麻醉师和新手。此外，基于实时性能的反射反馈有可能在超声指导下加速区域麻醉的学习过程。

触碰

扫描程序依靠视觉注意力，而注射需要触觉反馈。触觉模拟器的一个例子是用于局部程序（Sailor）系统的麻醉模拟器。区域麻醉模拟器和助手（Rasimas）系统使用MRI或计算机断层扫描（CT）图像结合了虚拟反馈，并使用接地触摸结合了触觉反馈。

更广泛的是，扎根的动觉触感引入了一些现实的反馈体验，但是这种经验并不总是转化为其他领域的性能，例如腹腔镜检查。具有振动反馈的非接地皮肤触觉技术取得了长足的进步，该方法已应用于直观的手术DA Vinci标准机器人，并获得了一些改善性能的证据。

虚拟，增强和混合现实

两项研究探讨了增强现实技术在模拟硬膜外麻醉期间检测解剖标记的应用。首先，志愿者中椎间盘空间的识别比传统的触诊更准确。第二种情况更加复杂。在3D增强的环境中观察超声波通勤者和针头，并使用针尖的单位换向器识别硬膜外腔。

幻影中的所有尝试都是成功的，而仅使用超声波的尝试中只有50％的尝试。除解剖学导航外，增强现实技术在区域麻醉训练中也可能有用。高保真尸体培训为精通学习提供了现实的模拟，但其易用性和高成本的易用性，这会影响其广泛的应用。为了提供类似于尸体的模拟培训，迫切需要一个虚拟培训平台。

虚拟现实在超声引导的区域麻醉中的应用也集中在以患者为中心的焦虑和训练上。使用虚拟现实分心是好坏参半的。两项研究报告说，与传统治疗相比，在进行超声引导的区域麻醉时，这是一种成功的分心方法，术前焦虑症的术前焦虑症减少，但研究报告中没有另一种差异。

还创建了一个虚拟游戏世界，以奖励有趣的环境中的学习。成功将以分数，徽章或绩效图表的形式在排名列表中得分。对心胸手术学员的一项研究发现，参加现场“顶级枪支”竞赛可以提高吻合的性能。商用的任天堂Wii U游戏“地下”已被证实为腹腔镜检查，因为游戏操作基于腹腔镜检查所需的灵巧技能，但没有触觉反馈；类似的方法也可以用于区域麻醉。另一个潜在的应用是在强调团队合作，人为因素和人体工程学的方案中的非技术虚拟技能培训，这与患者护理有关。

最近，为硬膜外麻醉开发了一种触觉游戏化方法。这是一个基于Unity力模型（跨平台游戏引擎）的触觉指针。使用来自MRI的数据和虚拟空间中的磁共振血管造影进行建模，但扫描仅限于几个个体，从而限制了解剖学变化的范围。在电子学习计划中，实习生麻醉师被随机分配以观看教育视频，是否在查看MRI和超声图像时是否在卡通解剖图上移动虚拟超声探针。虚拟仿真组增强了笔试结果，但实时扫描没有差异。这可能反映了知识和技能获取的不同学习率。

交叉现实，物联网和数字双胞胎

机器人技术，扩展现实和客观指标的结合有可能提供全面的教育和临床经验。制造业的证据表明，机器人可以降低成本并超过人类在重复性，繁琐和身体疲劳引起的任务中的绩效。扩展现实为临床医生提供了以认知有意义的方式积极参加手术的机会。交叉现实，物联网和数字双胞胎的潜在应用包括药物剂量决策，或在进行操作之前将患者数据直接映射到模拟器环境中。这将有助于在进行复杂病例之前学习超声引导的区域麻醉和实践。

强化学习使用以目标为导向的算法，这些算法在做出错误的决定时会受到惩罚并在做出正确的决定时得到回报。机器学习的优点是，它可以在大而笨拙的复杂数据集中找到模式，并为经典统计方法提供了有吸引力的替代方法。除了深度学习之外，强化学习通常用于机器人控制中，尤其是解决复杂的顺序决策问题。机器人运动的控制可以被视为一种多代理系统，它需要一种全面的多代理增强学习方法。未来发展的另一个有趣的领域是5G高频带网络。这些将涵盖以后的三个应用程序：增强的移动宽带，大规模的机械化通信以及可靠且低延迟的通信。尽管这些技术似乎并不是很多共同点，但如果合并，智能机器人在麻醉中的应用将成为日常任务。

技术实施障碍

人工智能的管理非常重要。治理需要提供稳定性和透明度，但要考虑创新带来的快速变化。与临床研究类似，道德考虑通过提供价值和原则指导研究人员来减轻潜在的伤害。每个项目应采用类似于临床试验的治理框架。艾伦·图灵（Alan Turing Institute）提供了有关人工智能的道德和安全性的指导。它的道德价值框架称为“总价值”。这包括尊重，开放，包容和正义。由于AI系统缺乏问责制，该研究所根据公平（数据，设计，实施，结果），可持续性（安全性，准确性，可靠性）和透明度建立了问责制，以获得公众信任。

对于大型机器人平台来说，成本仍然是一个重要的障碍，但是从长远来看，如果并发症较少，可以实现成本效益。机器人援助不一定会提高手术效率，而在不同的手术环境中，减少学习曲线的证据混合在一起。监管过程可能成为在临床领域实施技术的障碍。但是，有机会首先开发出用于医学教育目的的医学技术。这将为医疗设备创建一个试验平台，并提供一种方法来提高技能，降低临床医生的多样性并提高区域障碍的成功率。实际上，降低操作员的可变性一直是机器人技术的关键驱动力，但也可以通过模拟培训和适当的客观性能指标来实现。

模拟教学和技术可以为临床医生提供学习经验的机会，将它们暴露于反映他们发展专业知识所需技能的计划和环境中，而不是完全依靠机器人。但是，某些技术可能无法充分提供现实的环境，从而产生“不可思议的山谷”效应，或者完成模拟程序的信心与在现实生活中执行这些操作的能力不符。因此，重要的是对实践中可能需要的核心技术和非技术技能进行客观和主观评估。需要对形成性和总结性评估类型和标准化方法进行更多研究。

评论：

人工智能可以支持区域麻醉的临床决策，这可能需要对麻醉师的态度进行重大改变，以便常规收集准确的术前，术中和术后疼痛和功能结果数据。就像所有AI驱动的行业一样，临床医生将必须精通数学和计算。在放射学领域，人工智能可以帮助识别超声图像上的结构。但是，对超声视频的解释很困​​难，并且在临床应用中没有足够的准确性。逐渐认识到，目前需要将人工智能应用于机器人领域，以训练区域麻醉而不是临床实践。培训将转向掌握学习，并专注于Lo-Fi和高保真模拟器的实践。它的性能是使用经过验证和精确的传感器来衡量的，这些传感器结合了视觉和运动指标并提供实时反馈。这些将集成到增强的现实和视觉现实环境中。最终，培训可能会在家里或办公室的现实虚拟模拟器上进行。自主机器人将成为第五工业革命的象征。无论其形式如何，人工智能技术的成功发展都会影响其在未来的区域麻醉中的作用。

翻译者：张Yu；评论：Luo Mengqiang

单击迷你程序代码

将知识的本质带回家