TUD研究人员开发的植入式人工智能系统可以进行疾病的早期检测和治疗

人工智能(AI)将从根本上改变医学和医疗保健:在机器学习的帮助下，可以分析心电图、脑电图或X射线图像等患者诊断数据，从而在很早的阶段根据细微变化就检测出疾病。

德累斯顿工业大学(Dresden University of Technology)的研究人员首次成功开发了一种生物兼容的植入式人工智能平台，该平台可以实时对心跳等生物信号中的健康和病理模式进行分类。

即使没有医疗监督，该平台也能检测到病理变化。该项研究结果发表在《Science Advances》杂志上。

01

原理

在这项工作中，研究人员展示了一种基于生物兼容AI 芯片的实时分类健康和患病生物信号的方法。研究人员使用基于聚合物纤维网络，其结构类似于人脑，并实现了储备池计算(Reservoir Computing)的神经形态 AI 原理。

Reservoir Computing， 也叫Echo state network， 被视为是神经网络(Neural Network)的一种拓展框架。一个reservoir computer由以下三个部分组成：

• 输入层(input layer): 可以由一个或多个node组成， 属于前馈神经网络(feed-forward Neural network)的一种.
• 中间层(middle layer): 由多个node组成， 属于递归神经网络(recurrent Neural network)的一种.
• 输出层(output layer): 带有权重的加法器(weighted summer).

聚合物纤维的随机排列形成了所谓的“循环网络”，使其能够处理数据，类似于人脑。这些网络的非线性使得即使是最微小的信号变化也能被放大。例如，对于医生来说，心跳往往是难以评估的。然而，使用聚合物网络的非线性变换让这成为可能，是完全没有问题的。

下图为网络的非线性行为。图(A)是网络的光学显微镜图片，标有四个输入通道和四个输出通道。(B)图为具有E/I平衡、兴奋和抑制节点突出的网络示意图。向四个标记通道的输入信号，通过网络的计算，然后在四个输出通道测量的储层状态，如图(C)和(D)。(E)和(F)展示了(C)和(D)的傅里叶变换，证明了网络的传递函数是非线性的:出现了大量的新频率，证明了储备池的非线性投影。

下图为网络增长不同阶段的E/I平衡。

02

实验

在试验中，利用机器学习算法能够以 88% 的准确率区分健康的心跳和三种常见的心律失常。在实验过程中，研究人员发现聚合物网络消耗的能量比起搏器少。

下图使用 PEDOT 网络进行心跳分类。使用网络进行信息处理的步骤示意图，如图(A)。图(B)展示了使用延迟线对心跳进行分类的测量的混淆图：A = 88%。

植入式人工智能系统有很多的潜在应用：例如，它们可用于监测心律失常或手术后的并发症，并通过智能手机向医生和患者报告，从而实现快速医疗援助。

近年来，随着所谓的有机混合导体的发展，将现代电子与生物学结合的愿景取得了明显进展，然而，到目前为止，这些进展还仅限于单个突触或传感器等简单的电子元件。到目前为止，解决复杂的任务是不可能的。

研究人员MatteoCucchi解释说“我们的研究可以说是朝着实现这一愿景迈出了关键的一步。通过利用神经形态计算的能力，比如这里使用的储备池计算，我们不仅成功地实时解决了复杂的分类任务，而且我们也有可能在人体内部做到这一点。这种方法将使未来进一步开发智能系统成为可能，用以帮助拯救人类生命。” 论文信息：

Reservoir computing with biocompatible organic electrochemical networks for brain-inspired biosignal classification

https://medicalxpress.com/news/2021-08-implantable-ai-early-treatment-illnesses.html

https://zhuanlan.zhihu.com/p/145264520