斯坦福大学生物工程系的Xianghao Zhan等研究应用数据驱动方式的统计学分析不同运动因素在脑应变回归中对广泛候选因素的预测能力，结果发表在2021年7月的《Annals of Biomedical Engineering》在线。
——摘自文章章节
【Ref: Zhan X, et al. Ann Biomed Eng. 2021 Oct;49(10):2901-2913. doi: 10.1007/s10439-021-02813-z. Epub 2021 Jul 9.】
创伤性脑损伤（TBI）是造成人们死亡和残疾的主要原因，对人类健康构成威胁。TBI可能由跌倒、交通事故和接触性运动如美式足球和自由搏击（MMA）引起。TBI的频发和TBI患者所遭受的严重后果要求对脑损伤的风险更好地监测，因早期发现和干预对伤情恢复至关重要。
为评估脑损伤风险，降阶力学模型和深度学习模型提出几种脑损伤标准（BIC）。然而，现有的基于运动学的BIC的数学形式因素（运动学特征的组合）方面存在很大差异。不同的模型设计中包含各种因素，尤其是在考虑并比较各种头部撞击类型的多个数据集时，各个因素的作用尚未完全了解。完整理解从外来机械损伤到最终脑损伤的机械生物学级联反应，还有待进一步探讨。但基于应变指标与脑损伤相关性，如在体外模型中，通过受控机械输入与随后发生的海马细胞损伤联系起来，发现海马细胞的功能耐受性同时依赖于应变和应变率。最近，利用猪脑有限元模型模拟一组猪脑实验，记录实验负荷和病灶分布。从有限元模型获得的大纤维应变与实验猪快速旋转头部后所遭受的急性轴突损伤之间存在空间相关性。因此，脑应变，特别是最大主应变，认为是脑损伤危险性的重要指标。既往研究通过BIC与最大主应变的第95个百分位（MPS95）进行比较评估；最近开发的基于黑盒深度学习模型可以准确地评估MPS95。基于广泛运动学特征，准确的深度学习模型是黑盒，无法明确显示不同运动学因素的作用。研究者基于有限元（FE）建模和BIC的多项研究，调查不同运动学因素的影响。例如，使用预测应变脑损伤反应的单自由度机械模型和理想化旋转脉冲数据集，Gabler等发现短时脉冲和大脑最大变形取决于角速度。而对于长时脉冲，主要取决于角加速度的大小。然而，这些研究主要依赖于单一类型的头部撞击数据（例如足球撞击或MMA撞击），并没有使用除线性相关之外的许多统计学分析工具。因此，在MPS95回归中的不同运动学因素的预测能力没有以数据驱动的方式在各种不同类型的头部撞击（例如不同的接触运动）中进行全面研究和比较。为解决这个问题，斯坦福大学生物工程系的Xianghao Zhan等研究应用数据驱动方式的统计学分析不同运动因素在脑应变回归中对广泛候选因素的预测能力，结果发表在2021年7月的《Annals of Biomedical Engineering》在线。研究者使用模拟头部撞击模型研究美式足球撞击、MMA撞击、车祸撞击和赛车撞击的运动学机制。在每个数据集上，使用四种统计学诠释方法：零阶（zero-order）相关系数、结构系数、共性分析和优势分析。前两种方法分析单个运动因素的预测能力，后两种方法分析运动因素组合的预测能力。因线性加速度对脑应变的影响较小，在线性回归中，需要使用角速度特征，并且参考MPS经过验证的有限元分析（FEA）模型。作者分析基于三个不同角度的运动学因素特征：导数阶，含角速度xetT的零阶/一阶/二阶导数：角速度xetT、角加速度aetT和角急动度j（t）；解剖参考系中的三个方向的分量及大小；幂，含平方根、二次幂和三次幂等。分析一个角度时，结合其它角度的不同因素：例如，在分析组件时，将角速度、角加速度和角急动度一起分析。作者的研究表明，基于角加速度、幅度和一阶幂（first power）的特征通常用以证明大多数头部撞击数据集上最具预测性的特征。数据集之间存在差异，例如基于角速度数据集的MMA和NASCAR上最具预测性的特征；基于平方根幂数据集 NHTSA上最具预测性的特征。运动学不同空间方向的预测信息随头部撞击类型的不同而不同。研究中提出的分析结果有助于制定脑损伤标准。
声明：脑医汇旗下神外资讯、神介资讯、脑医咨询所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
