對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
研究框架
實驗1：疼痛檢測
該實驗的目的是測試個體患者疼痛和無疼痛預測，研究院選取三個不同深度CNN（7層CNN、5層CNN、3層NN和ANN），進一步評估他們數據集上的性能。
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
研究框架
實驗1：疼痛檢測
該實驗的目的是測試個體患者疼痛和無疼痛預測，研究院選取三個不同深度CNN（7層CNN、5層CNN、3層NN和ANN），進一步評估他們數據集上的性能。
參與者統計
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
研究框架
實驗1：疼痛檢測
該實驗的目的是測試個體患者疼痛和無疼痛預測，研究院選取三個不同深度CNN（7層CNN、5層CNN、3層NN和ANN），進一步評估他們數據集上的性能。
參與者統計
實驗1統計結果
最終，研究員為疼痛與無痛分別定義了一個標籤，其中相關的權重達到10：1，此後將使用10倍交叉驗證每個模型，計算出平均的分類準確度，敏感程度、特異性、陽性預測值、陽性似然比、陰性預測值等。
實驗2：疼痛定位
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
研究框架
實驗1：疼痛檢測
該實驗的目的是測試個體患者疼痛和無疼痛預測，研究院選取三個不同深度CNN（7層CNN、5層CNN、3層NN和ANN），進一步評估他們數據集上的性能。
參與者統計
實驗1統計結果
最終，研究員為疼痛與無痛分別定義了一個標籤，其中相關的權重達到10：1，此後將使用10倍交叉驗證每個模型，計算出平均的分類準確度，敏感程度、特異性、陽性預測值、陽性似然比、陰性預測值等。
實驗2：疼痛定位
HbO和HbR 熱力圖
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
研究框架
實驗1：疼痛檢測
該實驗的目的是測試個體患者疼痛和無疼痛預測，研究院選取三個不同深度CNN（7層CNN、5層CNN、3層NN和ANN），進一步評估他們數據集上的性能。
參與者統計
實驗1統計結果
最終，研究員為疼痛與無痛分別定義了一個標籤，其中相關的權重達到10：1，此後將使用10倍交叉驗證每個模型，計算出平均的分類準確度，敏感程度、特異性、陽性預測值、陽性似然比、陰性預測值等。
實驗2：疼痛定位
HbO和HbR 熱力圖
實驗2統計結果
此項實驗目的是進一步測試分析左側、右側疼痛、無疼痛的狀態。其中，左圖和右圖分別表示HbO和HbR狀態，上圖和下圖分別表示疼痛和無疼痛狀態下的血液流動的狀態，紅色和藍色圈圈分別代表：知覺與前額皮質。
實驗3：通過AR＋AI實現可視化疼痛解析
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
研究框架
實驗1：疼痛檢測
該實驗的目的是測試個體患者疼痛和無疼痛預測，研究院選取三個不同深度CNN（7層CNN、5層CNN、3層NN和ANN），進一步評估他們數據集上的性能。
參與者統計
實驗1統計結果
最終，研究員為疼痛與無痛分別定義了一個標籤，其中相關的權重達到10：1，此後將使用10倍交叉驗證每個模型，計算出平均的分類準確度，敏感程度、特異性、陽性預測值、陽性似然比、陰性預測值等。
實驗2：疼痛定位
HbO和HbR 熱力圖
實驗2統計結果
此項實驗目的是進一步測試分析左側、右側疼痛、無疼痛的狀態。其中，左圖和右圖分別表示HbO和HbR狀態，上圖和下圖分別表示疼痛和無疼痛狀態下的血液流動的狀態，紅色和藍色圈圈分別代表：知覺與前額皮質。
實驗3：通過AR＋AI實現可視化疼痛解析
接下來就基於HoloLens，開發出一個框架。在本研究中，將患者大腦中多皮質區域數據無線傳輸到HoloLens端，然後基於密歇根大學自己開發的應用（集成自研的3D渲染引擎，可渲染複雜3D場景，支持高級材質、燈光和詳細網格），重建具有功能區域的虛擬大腦，基於16個數據源從而最終呈現出CLARAi的概念形態。
實驗結果
在21名志願者的測試中，有12人進行了深度測試。該測試中12名參與者共收集180580個數據立方體，其中23900被標記為疼痛，156680被標記為無疼痛。
實驗2共有2名志願者的數據，共有20820個數據立方體，其中2000個被標記為右側疼痛，2000個標記為左側疼痛，26820個標記為無疼痛。上圖中展示了患者3在疼痛狀態和無疼痛狀態下平均的HbO和HbR水平。
對醫生而言，準確判斷患者疼痛位置對於醫療診斷和治療至關重要，不過疼痛往往難以量化，且多數評估都是主觀的。為此，密歇根大學和部分研究者決定通過基於移動神經影像的AR＋AI的一個臨床應用框架：CLARAi。
這是一套結合AR＋AI的醫療技術研究，該方案將機器學習模型與AR技術結合，對患者進行冷刺激，通過便攜式光學成像儀測量皮質活動。然後基於多個神經網絡模型對這些數據進行解碼分析，從而區分出疼痛和無痛。
簡而言之，就是一種新型的基於神經成像的AR與AI結合的技術，從而將大腦活動數據轉化為客觀的結果，從而方便醫生進行判斷和定位疼痛位置。
疼痛程度判斷的背景
我們知道，對能夠準確評估急性或慢性疼痛病症的疼痛程度是至關重要的，這直接影響著診斷和後續治療，特別是當患者表示長期飽受病痛折磨時。
據悉，僅疼痛病症在醫療費用、時間損失等方面的經濟影響十分巨大。即便如此，醫生確定疼痛仍在“以0-10為例”確定你的疼痛程度。雖然用疼痛問卷和麵部測量表等方式進行量化疼痛程度是一個普遍且相對效果不錯的方式，但是這種報告仍然存在較大侷限性，主要體現在以下幾個方面：
1，不同年齡、文化差異人群在疼痛表達方面不同，例如不同輩分的人對於類似疼痛表達方式不同，甚至同一個人在病症不同時期也有不同表達；
2，這種方式無法在正常診斷或手術中應用，包括在擁有認知障礙的患者；
3，自我報告的形式在不同的疼痛方面提供的價值有限，甚至還可能模糊病症治療。
為了突破這些限制，研究人員開始分析使用神經影像技術，Wager TD和同事們利用機器學習技術製作了一個AI模型，其通過功能核磁共振成像（fMRI）數據，從而提供了基於神經學特徵的個體疼痛檢測可能性。
據悉，fMRI在客觀的大腦疼痛評估方面已經邁出了一大步，不過由於MRI儀的體積大、成本高等特性，限制了該技術在臨床上應用的可能性。
為此，研究人員決定轉向便攜式神經影響設備，他們和fMRI技術具有著類似的優勢，並能以非侵入的方式通過近紅外光（fNIRS）測量頭骨內一定距離的HbO、HbR濃度變化。
研究細節
目標是開發一套技術解決方案，從而能夠實時將神經影像變成可視化的數據，並測量和解析皮質活動，最終確定出什麼時間疼痛、什麼位置疼痛等。
綜合而言，這是一套基於光學神經成像（fNIRS）、增強現實（AR）、基於神經網絡（NN）的人工智能（AI）三步實驗成功得出的。
實驗流程圖
據悉，該研究中密歇根大學招募了21名牙齒過敏的志願者，通過循環熱刺激的方式，獲取平均疼痛臨界值。
透過上述實驗流程圖，其採用2個實驗測試疼痛和無痛預測，以及左腦和右腦的定位。綠線代表7層CNN（卷積神經網絡），藍線為6層CNN，橙線代表5層CNN，紅線代表長短期記憶網絡，深藍線代表複發性神經網絡，黃線代表3層人工CNN。
而為了進一步驗證，研究員設計了一項基於AR數據可視化的終端實驗，硬件基於微軟HoloLens，以及HoloBrain項目衍生，軟件方面由密歇根大學內部開發。
研究框架
實驗1：疼痛檢測
該實驗的目的是測試個體患者疼痛和無疼痛預測，研究院選取三個不同深度CNN（7層CNN、5層CNN、3層NN和ANN），進一步評估他們數據集上的性能。
參與者統計
實驗1統計結果
最終，研究員為疼痛與無痛分別定義了一個標籤，其中相關的權重達到10：1，此後將使用10倍交叉驗證每個模型，計算出平均的分類準確度，敏感程度、特異性、陽性預測值、陽性似然比、陰性預測值等。
實驗2：疼痛定位
HbO和HbR 熱力圖
實驗2統計結果
此項實驗目的是進一步測試分析左側、右側疼痛、無疼痛的狀態。其中，左圖和右圖分別表示HbO和HbR狀態，上圖和下圖分別表示疼痛和無疼痛狀態下的血液流動的狀態，紅色和藍色圈圈分別代表：知覺與前額皮質。
實驗3：通過AR＋AI實現可視化疼痛解析
接下來就基於HoloLens，開發出一個框架。在本研究中，將患者大腦中多皮質區域數據無線傳輸到HoloLens端，然後基於密歇根大學自己開發的應用（集成自研的3D渲染引擎，可渲染複雜3D場景，支持高級材質、燈光和詳細網格），重建具有功能區域的虛擬大腦，基於16個數據源從而最終呈現出CLARAi的概念形態。
實驗結果
在21名志願者的測試中，有12人進行了深度測試。該測試中12名參與者共收集180580個數據立方體，其中23900被標記為疼痛，156680被標記為無疼痛。
實驗2共有2名志願者的數據，共有20820個數據立方體，其中2000個被標記為右側疼痛，2000個標記為左側疼痛，26820個標記為無疼痛。上圖中展示了患者3在疼痛狀態和無疼痛狀態下平均的HbO和HbR水平。
HoloBrain界面
實驗3中收集了功能性HbO和HbR數據，並且實時更新和顯示，如視頻中展示的。通過HoloLens將3D虛擬大腦圖像疊加到測試者的頭部位置，並用紅色區域對疼痛位置進行標註。
雖然經過了本次測試，我們可以基本上實現臨床可用的一套AR＋AI的疼痛診斷系統，並且在便攜性方面表現出色。從診斷結果來看，能夠識別疼痛和無痛診斷準確率高達80.37%，陽性似然比（PLR）為2.35。
但這些研究結論依然需要進一步優化和驗證，尤其是用於除了牙齒以外其它疼痛或神經系統疾病方面，以及具體的疼痛位置。簡而言之，這套系統還很年輕，但發展潛力無疑巨大。
本文參考：JMIR
相關推薦
