根据在奥地利维也纳举行的欧洲呼吸学会(ERS)大会上发表的研究报告[1]，人工神经网络(ann)可以通过分析早产儿睡眠时的呼吸模式来检测早产儿的肺部疾病。

这项研究是由巴塞尔大学生物医学工程系副教授、瑞士大学儿童医院研究小组负责人埃德加·德尔加多·埃克特(Edgar Delgado-Eckert)提出的。

支气管肺发育不良(BPD)是一种会影响早产儿的呼吸问题。当新生儿的肺在出生时未发育成熟时，他们通常需要呼吸机或氧气治疗的支持-这些治疗会拉伸和发炎他们的肺，导致BPD。

但是识别BPD是困难的。肺功能测试通常需要成年人根据要求吹气——婴儿做不到这一点——所以目前的技术需要复杂的设备来测量婴儿的肺通气特性。因此，BPD是少数几种通过其主要病因之一——早产和呼吸支持——来诊断的典型疾病之一。

人工神经网络是用于分类和预测的数学模型。为了做出准确的预测，人工神经网络首先需要用大量的数据进行训练，这在BPD方面提出了一个问题。

Delgado-Eckert教授解释说:“直到最近，对大量数据的需求阻碍了为婴儿肺部疾病创建准确模型的努力，因为很难评估他们的肺功能。

“但还有另一种选择。我们可以测量婴儿睡觉时的呼吸。这一切所需要的是一个柔软的面罩，带有一个传感器，可以测量进入和离开婴儿鼻子的空气流量和体积。这种设备很便宜，在任何临床机构都可以买到。

“这种连续呼吸的测量-我们称之为潮汐呼吸-可以产生大量高质量的连续流量数据。我们想尝试使用这些数据来训练人工神经网络来检测BPD。

delgdo - eckert教授的研究小组对139名足月婴儿和190名早产儿进行了研究，对他们进行了BPD评估，记录了他们睡觉时10分钟的呼吸情况。对于每个婴儿，100次连续的有规律的呼吸，仔细检查以排除叹气或其他人为因素，用于训练，验证和测试一种称为长短期记忆模型(LSTM)的人工神经网络，这种模型在分类顺序数据(如潮汐呼吸)方面特别有效。

该团队使用60%的数据来教网络如何识别BPD, 20%来验证模型(以确保它不会过于固定于训练数据)，然后将剩下的20%的数据输入模型，看它是否能正确识别出那些患有BPD的婴儿。

LSTM模型能够以96%的准确率将未见测试数据集中的一系列流量值分类为属于诊断为BPD的患者的流量值。

delgdo - eckert教授补充说:“我们的研究首次提供了一种全面分析婴儿呼吸的方法，并允许我们通过人工神经网络识别呼吸模式的异常，在婴儿的正确年龄(如果他们在预产期出生，他们的年龄将是正确年龄)一个月时检测出哪些婴儿患有BPD。”

“我们的非侵入性测试对婴儿和他们的父母来说不那么痛苦，这意味着他们可以更快地获得治疗，也可能与他们的长期预后有关。”

该团队现在希望研究该模型是否也可以用于婴儿出生几周后的测试，分析年龄较大的学龄儿童的肺功能和预测症状，以及测试其他疾病，如哮喘。

Angela Zacharasiewicz教授是美国儿科哮喘和过敏小组主席，也是Klinik Ottakring儿科系主任，她没有参与这项研究。她说:“使用新技术测试早产儿的肺功能将改善治疗决策。我们越早确认早产儿的BPD，我们就能越快做出明智的决定，在他们生命的最初几周给予他们最好的呼吸支持。它还可以使后续评估和潜在干预的早期规划成为可能，从而减轻父母及其子女的压力。

“这项研究显示了人工智能在简化这一过程方面的巨大潜力。这项技术可以用于测试更多的婴儿，也可以应用于其他疾病，如哮喘。

“看到像这样的人工智能工具有可能支持我们的医疗服务，这令人兴奋。”

(结束)