面向非特异性腰痛的AI辅助诊断效果评价

崔莉，周钧锴,2，王念,2，肖京，季宇宣，姜美驰

1. 中国科学院计算技术研究所 泛在计算系统研究中心，北京 100190；2. 中国科学院大学 计算机科学与技术学院，北京 100190；3. 中国中医科学院西苑医院 康复医学科，北京 100091

引言

慢性腰痛（Chronic Low Back Pain，CLBP）可分为特异性慢性腰痛和非特异性慢性腰痛（Chronic Non-specific Low Back Pain，nLBP），该病患者众多[1-3]。其中nLBP是指排除已知的特异性病理变化所导致的腰、背和骸部的疼痛，该类疾病病因不明确，转归多元[3]，在CLBP患者中最为常见，对患者的生活和工作造成极大困扰。目前，多个研究证实康复运动对nLBP的治疗和康复起到关键作用[4]，但患者对腰痛的主观感受呈高度个体化差异，且医生对导致疼痛的责任肌肉的定位依赖于主观判断[5-7]，容易由于经验偏差而影响诊疗效果。表面肌电检测是非特异腰痛诊断中的常用方法，目前医院中使用的表面肌电仪提供丰富而精确的动态肌电信息，经医生判读并分析归纳出特定的信号特征，进而对所检测的肌肉与疼痛的相关性做出判断。这些客观数据能在一定程度上有助于对患者疾病状态的精准判断，然而，由人工来解读海量数据耗时费力，且仍不能解决因为医生经验和诊断水平差异而带来的偏倚。

近年来，人工智能技术越来越多地应用于医学自动诊断领域[8-10]，如辅助影像分析[11]，在提高疾病识别和诊断效率的同时，极大地降低了医生的诊断时间成本和医疗开销。本团队研制了一种针对nLBP的人工智能（Artificial Intelligence，AI）辅助诊断系统，该系统由肌电信号预处理、运动区间识别、基于机器学习的特征提取及模型推理、基于肌电映射规则的自动诊断等主要部分组成，可以判断每块肌肉的疼痛客观状态，并通过典型特征分析肌肉募集能力、疲劳速度和静息速度等指标，据此辅助医生得出诊断结论。本文重点针对nLBP疼痛肌肉的识别与诊断，通过对比医生常规诊断方式和AI辅助诊断系统的诊断效果，研究AI辅助诊断系统对于肌电数据的分析效果与分析能力，对其在nLBP诊断中的表现进行初步验证和评价。

1 资料与方法

1.1 一般资料

目前临床中，对于nLBP诊断大多使用基于典型肌电特征的诊断。该方法要求患者进行固定的测试动作，不同的动作可以从不同的医学角度描述肌肉的生理状态，通过计算正常人和患者在典型特征上的差异来识别患者[12]。

本研究组于2020年6月至2020年8月在中国中医科学院西苑医院采集了15名nLBP患者的肌电信号，其中男性7例，女性8例。nLBP患者的纳入标准为：病程为6个月至10年；疼痛视觉模拟评分0～4分；CT或MRI检查未见椎间盘异常或仅有间盘变性。本研究经中国医学科学院西苑医院伦理委员会批准同意。

为验证AI系统软件自动输出诊断结果与医生诊断结果的等效性，本研究方案采用可信区间的途径来评估等效性。等效性试验计量资料结局样本量的计算公式如公式(1)所示。

其中s为均值的标准差，δ为对照组均值与试验组均值的差值，α为出现假阳性错误的可能性，β为出现假阴性错误的可能性，z为α和β对应的U值。据本临床试验的目的，验证设计采用95%CI（双侧检验）作为判断等效的允许变异范围，测量指标为结论的识别正确数量。根据以往临床试验估计，允许的误差范围为1个，即正负值均不超过1时为等效，医生诊断的标准差为1个。该试验的把握度为80%，则根据公式(1)计算得，每组所需样本量为15例受试者。

1.2 检查诊断方法

1.2.1 肌电信号采集方法

本研究使用表面电极监测受试者腰部的左右两侧多裂肌、左右两侧最长肌和左右两侧腰髂肋肌在运动中的信号。肌肉位置如图1所示。实际采集中，表面电极对粘贴在对应肌肉的肌腹处，每对电极的间距约为2 cm，并使用防过敏胶带加固以尽量防止电极脱落。表面电极采用上海韩洁电子科技有限公司公司生产的CH3236TD一次性使用心电电极。

图1 监测肌肉位置

本工作采用临床医学已总结出的针对腰痛和nLBP患者辅助诊断的肌电测试动作并形成测试流程[13-15]。一次采集流程包括执行五次屈曲放松运动、一次双足桥式运动、一次左足桥式运动、一次右足桥式运动和一次 Biering Sorensen等长运动，运动测试的流程如图2所示。

图2 受试者临床肌电测试流程

动作规范包括以下四个方面：

（1）屈曲放松运动。受试者双足与肩同宽，用2 s向前匀速弯腰，当躯干前屈到达最大幅度后，腰部完全放松并保持4 s，之后用2 s直立躯干。

（2）双足桥式运动。受试者仰卧于床上并屈膝，用力抬起臀部至最高点，保持此体位15 s。

（3）右足支撑的桥式运动和左足支撑的桥式运动。受试者仰卧于床上，重复桥式运动5 s，之后将单足提起与躯干平行并保持10 s。

（4）Biering Sorensen等长运动。受试者俯卧于床上，腿的末端固定于床上，之后受试者用手交叉抓住对侧肩部并保持此姿势30 s。

在一次采集中，上述运动的肌电信号会按照时间顺序串行拼接在一起，构成该受试者的一条肌电信号数据。

1.2.2 采集设备与对象

肌电信号采集采用Thought Technology Ltd公司生产的FlexComp Infiniti 10肌电仪，仪器和肌电信号采集界面分别如图3～4所示，图5为临床实验场景。

图3 FlexComp Infiniti 10肌电仪图

图4 肌电信号采集界面

图5 临床测试中的肌电采集场景

1.2.3 诊断方法

（1）常规临床诊断。由西苑医院康复医学科3名资深医生对患者的肌电信号进行临床判断。首先患者按照要求完成固定的肌电测试动作后，医师对肌电测试信号中各个运动区间的开始时间点和结束时间点进行手工标记。之后医师从原始肌电信号中提取典型特征，这些特征可以从某个医学角度描述患者肌肉的生理状态。医师再通过统计学计算方法找出正常人和患者在这些典型特征上的差异，依此识别患者并对每块肌肉存在的问题进行诊断，从而给出诊断报告。当三位医生的诊断结果不完全一致时，对不一致的部分由三位医生采用多数投票的方法确定诊断结论，并将此诊断结果作为本测试的金标准[16]。

（2）AI自动诊断方式。本研究提出的针对nLBP的AI辅助诊断系统由肌电信号预处理、双阈值计算、运动区间自动识别、数据集平衡处理、疼痛肌肉定位及特征提取、基于肌电映射规则的自动诊断部分组成[12]，系统流程如图6所示。该系统首先基于线性插值法和基于小群组的去噪方法对肌电信号进行预处理，然后使用基于局部动态阈值的双阈值法[17]确定各个运动区间的起止点。之后系统使用趋于正域化的过采样方法平衡数据集，从而得到精确特征数据集，再使用由机器学习方法构建的随机森林模型对疼痛肌肉进行位置确定并提取肌电典型特征，最后通过与肌电特征之间的映射规则进行nLBP的诊断，并自动出具诊断报告。

图6 AI自动诊断软件流程图

（3）肌电信号预处理。实际采集中存在各种环境干扰和测试噪声，本系统研究了一种基于小群组的噪声去除方法[12]，通过聚类和密度分析去除噪声。此外，肌电采集设备导出的原始肌电信号中还含有缺失值，所以系统还需要对肌电信号中的缺失值进行补全，以支持后续的分析。本系统使用线性插值法[18]对原始肌电信号中的缺失值进行补全。线性插值法的具体过程为：设函数y=f(x)在点x0和x1处的值分别为y0和y1，则线性插值法的计算公式如式(2)所示。

（4）识别阈值计算及运动区间自动识别。在常规临床诊断方式中，医师需要对肌电信号中各个运动区间的起止时间点进行手工标记。 AI自动诊断系统则需要实现对运动区间起止点的自动识别。为此，本研究提出了一种基于局部动态双阈值的运动区间起止点识别方法[17]，见图7。该方法使用计算出的多个低识别阈值和高识别阈值分别对多个运动区间的起止点进行识别，低识别阈值和高识别阈值的计算公式如公式(3)～(4)所示。

图7 基于局部动态阈值的信号活动区间识别方法示意图

其中，AEMG为肌电平均值，VAR为肌电方差，k1、k2、k3、k4为比例系数。

（5）样本均衡。由于肌电信号数据集通常样本量较少，而且存在数据不平衡问题，导致建立模型的训练过程中会忽略少量但重要的疾病信息，从而影响模型精度。所以本工作设计了一种趋于正域化的过采样方法[19]来解决数据集的不平衡问题。该方法中，算法选择未分类数据集中的一个A类随机样本和一个B类随机样本，向少数类样本（B类样本）方向在二者间进行插值如图8a所示。经过过采样方法处理后的数据集分布更加平衡（图8b），可产生精确数据集集合支持后续建模和分析。

图8 趋于正域化的过采样方法示意图

（6）疼痛肌肉定位。疼痛肌肉定位是nLBP临床诊断中的步骤之一，但由于患者对于疼痛的忍耐度存在差异以及医生存在经验上的差异，该定位结果通常具有主观性。主观偏差可能会导致治疗上的误差，所以需要进行客观的疼痛肌肉定位，以更好地辅助医生进行更准确的诊断。在系统的计算模型训练构建阶段，本系统已经采用了236例受试者的肌电数据（包括81位男性nLBP患者、95位女性nLBP患者、33位男性正常受试者和27位女性正常受试者）结合过采样方法进行了模型训练[12]，基于机器学习方法建立了随机森林模型，可以准确识别疼痛肌肉的位置。本文选择15例nLBP患者作为验证样本，在规范的临床测试条件下，对nLBP的疼痛肌肉定位效果进行验证。

（7）特征提取。nLBP患者的自动诊断还依赖于临床常用肌电特征的提取和准确的计算模型。通过观察受试者运动时肌电信号的均方根、平均肌电值、平均功率频率和积分肌电值的变化，可以有效地区分nLBP患者和正常人，并作为临床诊断依据[20]。所以本工作对受试者肌电信号的均方根、平均肌电值、平均功率频率和积分肌电值进行特征提取，用于后续的自动诊断和验证。

（8）自动诊断。最后，系统基于肌肉存在的问题和肌电特征之间的映射规则对受试者左右两侧多裂肌、左右两侧最长肌和左右两侧腰髂肋肌的肌肉募集能力[15]、疲劳速度[21]和静息速度[15]三个临床指标进行诊断，并出具诊断报告。

本研究研制的AI辅助诊断系统的界面如图9～13所示，辅助诊断报告如图14所示。

图9 AI辅助诊断系统界面首页

图10 手动调整运动时间页面

图11 手动调整阈值页面

图12 放大信号显示页面

图13 分段放大显示信号模块

图14 AI辅助诊断系统诊断报告

1.3 统计学分析

本工作以医生诊断结果为标准，对比评价AI辅助诊断系统针对nLBP诊断的效果。本文采用IBM SPSS 19.0对两种诊断结果进行分析。使用组内相关系数（Intraclass Correlation Coefficient，ICC）对两种诊断结果的一致性进行检验，对比常规诊断方式和AI诊断方式对nLBP的诊断检出率和准确性，同时使用配对样本t检验对常规诊断方式和AI诊断方式的诊断用时进行差异性分析。

2 结果

2.1 机器学习模型对疼痛肌肉的标记效果

本文以15名nLBP患者的主诉为基础，结合医师观察给出对疼痛肌肉的人工标记（疼痛或非疼痛），对患者的左右两侧多裂肌、左右两侧最长肌和左右两侧腰髂肋肌共6块肌肉进行标记，另使用AI诊断系统对于患者的疼痛肌肉位置进行计算，两种方式所得结果如表1所示。

表1 人工与AI诊断系统对疼痛肌肉的标记个数

由表1结果可得，AI诊断系统对于左多裂肌、右多裂肌、左最长肌、右最长肌、左腰髂肋肌和右腰髂肋肌的疼痛肌肉标记与人工标记的一致度分别为53.33%、73.33%、80.00%、86.67%、80.00%和86.67%，平均为76.67%，说明AI诊断方式对于这15名nLBP患者的疼痛肌肉的诊断标记能力良好，两种方式结果的差异反映出病人主诉的主观性，及个体之间对疼痛敏感度的差异。AI的计算结果可以客观佐证病人主诉，对医生做出更准确的诊断提供帮助。

2.2 诊断结果一致性对比

本文使用ICC作为信度检验指标，将15名nLBP患者的常规诊断方式诊断结果作为一组，将这15名nLBP患者的AI诊断方式诊断结果作为另一组，选择3个临床中常用的诊断指标：肌肉募集能力[15]、疲劳速度[21]和静息速度[15]，对患者的左右两侧多裂肌、左右两侧最长肌和左右两侧腰髂肋肌共6块肌肉进行检测。所以针对每位受试者，常规诊断方式对于每个诊断指标检出的问题肌肉个数为0～6个。AI诊断方式对于每个诊断指标检出的问题肌肉个数为0至常规诊断方式检出的问题肌肉个数。

采用IBM SPSS 19.0统计软件并使用ICC方法对两种诊断方式的诊断结果一致性进行分析。在一致性分析时，本文信度的界定范围如下：ICC＞0.90为极好，ICC＞0.7为良好，ICC＜0.7为信度欠佳[21]。

实验结果表明，常规诊断方式与AI诊断方式对15名nLBP患者的肌肉募集能力、疲劳速度和静息速度的ICC值分别为1.000，1.000和1.000，均大于0.9，信度结果皆具有良好的一致性。

2.3 检出率与准确率

本文以中国中医科学院西苑医院3名资深医师对于15名nLBP患者给出的肌电诊断报告为标准，对AI诊断系统对于患者的肌肉募集能力、疲劳速度和静息速度3个诊断指标检出的问题肌肉个数进行了验证，两种诊断方式的检出问题肌肉总个数对比和对于每名受试者的检出问题肌肉个数对比的验证结果如表2所示。

表2 AI诊断/常规诊断两种方式对于每名受试者的检出问题肌肉个数对比

常规诊断方式和AI诊断方式对于肌肉募集能力、疲劳速度和静息速度的检出个数分别为29、81和36个，且对于每名受试者的检出问题肌肉个数一致，说明AI诊断方式对于这15名nLBP患者的肌肉募集能力、疲劳速度和静息速度的检出能力良好，准确率高。

2.4 诊断用时对比

本研究共对相同的15名nLBP患者分别使用常规诊断方式和AI诊断方式进行了诊断，本文使用配对样本t检验对两种诊断方式的诊断用时进行差异性分析，其中诊断用时从导出患者数据的时间点开始，直到完成患者诊断报告的时间点结束。常规诊断方式的平均诊断用时为28 min，AI诊断方式的平均诊断用时为1.7 min，两者具有明显统计学差异（P＜0.05）。AI诊断方式的平均诊断用时平均比常规诊断方式减少26.3 min。

3 讨论

本研究针对nLBP的医生常规诊断方式存在病人主诉主观性较强、医生读取肌电图所需时间长成本高、诊断结果因医生经验不同会产生差异性等需要解决的问题，提出了一种面向nLBP的AI辅助诊断系统，并对系统的诊断效果进行了验证与评价。从该系统的构建技术方面，该系统针对信号的强干扰采集状态，提出的基于小群组的噪声去除方法及局部动态阈值的运动区间识别方法，不仅能降低人工标记方法的时间成本，也为自动诊断提供了准确的运动区间起止点识别结果。在特征提取和计算模型的训练建立中，该系统提出了基于小群组的噪声去除和趋向正域化的过采样方法解决了样本不平衡的问题，从而提升了机器学习模型用于疼痛肌肉定位的准确性。从该系统的实用效果方面，初步获得的验证结果表明AI自动诊断方式和医生常规诊断方式的诊断结果的一致性良好，诊断用时平均减少26.3 min，具有统计学意义（P＜0.05）。对于本研究选取的15名nLBP患者，在检出率与准确性方面，AI辅助诊疗系统对于肌肉募集能力、疲劳速度和静息速度准确率的平均诊断准确性达到100%。同时，由于该AI辅助诊断系统能够计算出疼痛肌肉的位置，可以对肌肉的状态给出一个相对客观的识别和判断，这个不依赖病人主观感觉的结果可以提供给医生更多的信息支持，辅助医生更准确地判断病人的病情。比如对疼痛肌肉的识别和定位结果会对患者个性化运动处方及治疗强度的制定产生影响，具体可表现为如下几种可能性：当患者某块肌肉存在检出问题且有疼痛现象时，说明患者此肌肉的病情确切，需要重点治疗；当患者某块肌肉存在检出问题但没有疼痛现象时，说明患者此肌肉的病情较轻，需要给予关注；当患者某块肌肉不存在检出问题却有疼痛现象时，说明此疼痛可能由于其他原因导致，需结合其他临床诊断方式加以判断。

4 结论

本文提出了一种面向nLBP的AI辅助诊断系统，同时探索该系统的应用效果。本文提出的AI辅助诊断系统由肌电信号预处理、运动区间识别、特征提取及模型推理、基于肌电映射规则的自动诊断部分组成。初步验证结果表明，该系统能够有效地克服病人主诉及常规诊断方式中因医生经验不同而呈现出的主观诊断差异，提升诊断效率，减少医疗成本，减轻医生的临床工作负担，可为临床nLBP检测提供可靠帮助。后续工作中将进一步扩展AI系统与医生常规诊断相结合的深度，并开展更具广度的临床测试与实用验证。