基于人工智能的局部潜伏神经对老鼠急性和慢性疼痛的表现
IEEE journal of biomedical and health informatics
|November 3, 2025
概括
研究人员开发了一种人工智能方法来识别与慢性疼痛相关的大脑信号. 这种方法使用先进的算法来检测和跟踪疼痛生物标志物,提供一种更客观的方式来理解和管理疼痛.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物标志物发现发现
背景情况:
- 慢性疼痛影响超过21%的美国人口,显著影响生活质量.
- 目前的疼痛检测依赖于主观自我报告,突出了客观生物标志物的需要.
- 鉴别和治疗慢性疼痛仍然是一个重大的临床挑战.
研究的目的:
- 开发一种新的AI驱动的方法来识别和隔离局部的大脑疼痛信号.
- 使用神经生理学记录创建可量化的急性和慢性疼痛生物标志物.
- 为了能够准确识别和定量监测疼痛随着时间的推移.
主要方法:
- 利用匹配追求 (MP) 来分解来自关键大脑区域 (ACC,NAc,PrL) 的局部场潜在 (LFP) 记录.
- 采用条件变化自编码器 (CVAE) 来学习潜伏表示和跟踪信号变化.
- 在受伤后的急性,次慢性和慢性疼痛状态中分析了LFP数据.
主要成果:
- 人工智能模型成功地识别了LFP信号组件,导致疼痛期间的大脑活动发生变化.
- 该方法随着时间的推移跟踪了这些组成部分,区分了不同的疼痛状态.
- 在验证数据上获得了0.130的平均每特征RMSE,证明了模型的准确性.
- 产生了MP原子的功能可分离的潜在表示,表明了不同的疼痛动机.
结论:
- 来自MP和CVAE的AI驱动生物标志物提供了精确疼痛识别的基础.
- 这种方法可以对疼痛进行定量监测,超越主观评估.
- 开发的方法可以提取一般和特定主体的疼痛特征,以改进治疗策略.
