意识障碍俗称“植物人”。目前意识障碍临床诊断和评估依赖医生根据患者行为表现和个人经验做出，主观性强，误诊率高。我们利用静息功能磁共振影像fMRI结合临床信息等特征，使用机器学习等人工智能算法建立了意识障碍预后预测新模型，预测病人1年后是否能苏醒。同时，我们也开发了相关工具，供临床专家在评估病人预后时参考。在本次讲座中，我们将介绍该模型和工具，并结合具体病例对分析过程和结果进行解读和讨论。

该模型在测试集中能够准确将原诊断为Vs但预后恢复意识的患者辨识出来 ,正确率达到了90%。本研究模型相比较之前报道的研究 ,在样本数量、准确率以及验证方法上都具有明显改进。通过分析预测数学模型中参数的权重，分析了不同预测因素对预测结果的重要程度。发现脑中线功能连接对预测结果起到重要作用, 尤其是执行控制网络与默认网络之间的负功能连接对预后预测有着重要价值，这提示了脑功能网络不同脑区和功能连接与意识障碍预后的关联性 ,为理解意识障碍疾病的神经机制提供了新线索。

为了方便临床测试和使用,将本研究得到的预测模型进行了公开 ,开发了可以免费使用的matlab程序包,下载地址https:/github.com/realmsong504/pD0C。这个软件包具有良好的图形交互;不但能够输出患者恢复意识的概率;还能够给出患者在扫描fMR1数据时的头动和fMR1影像的信噪比,以及患者个体脑功能网络与正常人脑网络的比较等。并且,所有中间计算结果都能够自动保存,方便存档。

对患者意识恢复可能的预测 ,将直接影响临床治疗策略的选择 ,甚至是亲属对患者生死去留的抉择。但是,目前临床对意识 障碍患者的预后判断完全依赖医生根据临床观察和个人经验做出 ,主观性较强 , 易受多种因素干扰:而对预后的误判可能导致严重的后果。近20年来 , 学术界一直在探索不同模态和水平的预后早期预测模型 , 包括行为监测、神经电生理、脑影像、生理/生化指标等 ,但准确度不高 ,敏感性和特异性均较低。

中国科学院自动化研究所模式识别国家重点实验室和脑网络组研究中心 ,联合陆军总医院和广州总医院组成联合攻关团队。在基于病因、年龄和病程作为重要预测指标的基础上,使用基于脑功能磁共振成像(fMRI)的患者脑功能网络特征,结合机器学习相关算法,研究出了一个能预测患者1年之后是否恢复意识的计算模型 , 准确率达到了88%:更 为重要的是已成功预测了多例临床医生最初判定恢复无望而最终恢复意识的患者。