使用AI系统优化中风患者的临床结果

可交付1：数据收集计划的概述。 亚急性中风幸存者（n = 400）将被募集并随机分配给四组之一，这些组仅接受通常的康复护理，通常的护理以及针灸，机器人或神经肌肉电气刺激（NMES）训练。 （A0），（A1）和干预开始后6个月（A2）之前，将对每个受试者进行评估。 在A0上，将进行彻底的临床，神经生理学（EEG，EMG，TMS），MRI和基于血液的评估，以推导预测性恢复标记。 在A1和A2处，仅评估临床分数和EMG，以表征helab后功能增益和长期恢复。 同样，在所有组中，临床分数将在干预（A½）中途记录以监测治疗进度。 治疗将持续≥1个月，≥20个培训课程。 所有A0，A1和A2数据都将通过机器学习和其他方法离线分析，然后用来训练AI模型，Praver-HK（Precision Rehabilitation AI系统，用于增强香港及以后的恢复）。

可交付2：可解释的AI恢复模型。 概述。 我们的AI系统从各种模式中接收高维数据输入，每种数据都需要针对数据类型的特定特征量身定制的独特处理技术进行分析。 例如，神经影像数据需要专门的图像处理算法来推导大脑结构和功能度量，而必须使用信号处理工具对脑结构和EMG等时间序列数据进行分析，以捕获各种时间分辨率的嵌入式模式。 对各种数据类型的特定领域预处理的需求产生了违反标准深度学习技术的分析复杂性的水平，这可能无法满足每种模式所带来的独特挑战。 为了获得可操作的临床相关见解，同时确保了多模式数据的解释性和整合，需要更复杂的算法以外的标准深度学习。

因此，调查人员建议建立一个复杂的AI融合模型作为赞美-HK的核心。 Fusion Model是一种机器学习方法，它以多种数据模式的方式集成了输入功能，以利用其独特的贡献，以使预测比任何单一模态都能产生的预测更加准确和鲁棒。 尽管这里的受试者数量（n = 400）是我们所知的最好的，但在所有类似研究中，对于高维数据，该数字足够小，可以对分析方法的选择施加更严格的约束，应过于适应可以避免，并确保模型概括。 考虑到这些考虑，研究人员将分为两个阶段构建我们的融合模型。 第1阶段涉及通过与域特异性AI模型独立处理从各个模式中提取预测因子。 此阶段是必要的，因为每种模式只能通过不同的处理管道产生最有价值的信息。 第2阶段涉及这些加工方式的融合。 研究人员将制定一个专门的融合模型，该模型可容纳相对较小的样本量，预测指标的高维度以及丢失数据的潜在实例。 最终模型将利用域特异性相1输出的优势，并结合其见解以提高预测准确性。

阶段1：特定于模式的特征提取。 对于神经影像学和多媒体模式，研究人员将利用预训练的模型将高维输入映射到减少的信息性特征或嵌入。 研究人员将从每个数据集的微调基础模型开始，然后使用预训练和微调的基础模型作为特征提取器开发特定于模式的模型。 对于时间序列数据，例如EMG，EEG和运动捕获数据，标准和定制过程都将用于过滤噪声并确定合适的预测指标。 从EMG中，非阴性矩阵分解和我们最近提出的整流潜在变量模型将用于提取肌肉协同指数，从我们的初步结果（见下文）中，该指标包含预测性中风恢复信息。 从脑电图和EMG中，这两个信号（皮质肌肉相干性）与脑电图和肌肉协同激活（Cortico-Synergy相干性）之间的相干性将通过光谱分析计算。 从运动捕获数据中，可以使用标准方法提取运动参数，例如关节运动范围。 上面的所有参数将用作阶段2中的预测因子。

阶段2：AI融合模型。 一旦研究人员从每种模式中提取了预测因素，研究人员将开发一个融合模型，每个治疗组和每个临床评分，该模型将这些A0预测指标输入整合在一起，以预测A1和A2分数。 由于研究人员没有有关在融合模型中使用的不同方法的适用性的事先信息，因此研究人员将评估各种模型的性能。 具有元学习的人工神经网络将用于其从丰富的数据功能中学习的能力。 它们的性能将针对其他模型（例如逻辑回归，贝叶斯方法和随机森林）进行基准测试，这些方法对我们的较小数据集有利。 对于每个治疗组，融合模型将以100名受试者的标记数据作为输入，以预测A1和A2的得分提高。

实际上，调查人员预计我们的最终数据库将偶尔会丢失数据点。 研究人员将采用基于基于信息的插补技术来估计缺失的异质值，从而充分利用可用数据并防止模型培训中的偏见。 将进行灵敏度分析，以评估缺失数据对模型预测的影响，从而确保我们的发现的可靠性。

通过整个系统构建过程，研究人员将利用并比较不同的AI算法，以进行1阶段特征提取和第2阶段融合。 所采用的模型和方法将根据测试性能指标和临床反馈进行迭代精制。 历史数据将通过回顾性评估在先前的临床情况下推荐干预措施的有效性来验证模型。

其他阶段3：建筑决策框架。 对于每个受试者，通过比较特定于治疗模型的2期结果预测，只需选择可获得最佳A2改进的治疗方法，就可以已经决定对受试者进行理想干预。 但是，此选择过程并不透明，因为融合模型并未明确指示许多预测因子如何相互作用以引导模型集体达到推荐的处理。 为了增强AI系统的解释性，研究人员将实施第3阶段，用于构建指导干预选择的明确决策框架，一种类似于Stinear等人的临床成功的Prep Deciest-Decect-Tree算法。 分类器将通过1阶段1预测变量和所有受试者的相2分数预测（n = 400）进行培训，并从输出相比比较作为输出来推论的排名干预偏好。 受过训练的分类器可以用作决策支持工具，该工具揭示了制定决策所需的最简约的评估集，并提供了建议背后的透明推理，从而增强了我们对为什么将特定主题分配给每种治疗的理解。 为了最大程度地提高可解释性，研究人员将实施决策-tree算法，例如随机森林，它们能够辨别变量之间的复杂的非线性关系。