人工智能在眩暈相關疾病診療中的應用

張世豪?梁豐

【摘要】眩暈相關疾病發病率高，涉及全身多系統，致病機制復雜，診斷困難，是臨床工作的一大難點。近年來人工智能技術發展迅猛，逐漸成為現代眩暈相關疾病臨床診療的重要助力之一。該文分別著眼于人工智能在眩暈相關疾病診斷、評估和治療中的應用，綜述近年來人工智能在眩暈相關疾病中的進展和前沿，剖析人工智能在眩暈相關疾病診療中的優缺點，并展望人工智能在眩暈相關疾病診療中的發展前景和方向。

【關鍵詞】眩暈；人工智能；機器學習；診斷；治療

Application of artificial intelligence in diagnosis and treatment of vertigo-related diseases Zhang Shihao△， Liang Feng.△Zhongshan School of Medicine， Sun Yat-sen University， Guangzhou 510080， China

Corresponding author， Liang Feng， E-mail： liangf6@mail.sysu.edu.cn

【Abstract】The incidence rate of vertigo-related diseases is high， involving multiple systems of the whole body. It is difficult to make a diagnosis due to complicated pathogenesis， which is a major challenge in daily clinical work. In recent years， rapid development of artificial intelligence technology has gradually become one of the important tools in the clinical diagnosis and treatment of vertigo-related diseases. In this article， the application of artificial intelligence in the diagnosis， evaluation， and treatment of vertigo-related diseases and recent progress and frontiers of artificial intelligence in vertigo-related diseases were reviewed， the advantages and disadvantages of artificial intelligence in the diagnosis and treatment of vertigo-related diseases were identified， and the development prospects and directions of artificial intelligence in the diagnosis and treatment of vertigo-related diseases were predicted.

【Key words】Vertigo； Artificial intelligence； Machine learning； Diagnosis； Treatment

眩暈相關疾病的患病率高，有研究顯示人一生中至少會發作1次眩暈，且發病率隨著年齡增長而增高［1］。眩暈有前庭周圍性眩暈，前庭中樞性眩暈和非前庭性眩暈等類型，可由耳-前庭系統、神經系統、脊柱、血管、心理精神等方面的疾病導致，也可多種致病機制并存［2］。眩暈的致病機制復雜，相關臨床研究面臨巨大挑戰。早在30年前，就有研究者試圖使用人工智能開發眩暈相關診斷模型，近年來越來越多的新技術和新方法被投入到眩暈相關疾病的診療過程中。本文綜述了近年來人工智能在眩暈相關疾病診療中的應用進展，展望未來人工智能在眩暈診療中的潛在發展方向。

一、人工智能輔助突破眩暈相關疾病診療的重點和難點

眩暈類疾病以前庭周圍性眩暈最多見，約占70%左右，具體疾病包括良性陣發性位置性眩暈（耳石癥）、梅尼埃病、前庭神經炎癥和前庭陣發癥等，其中1/3以上的眩暈由良性陣發性位置性眩暈引起［3］。前庭中樞性眩暈占眩暈總數的10%～20%，多為中樞神經系統疾病直接或間接累及平衡中樞所致。精神、心理和全身系統疾病等也可能并發眩暈。此外還有約14%左右的患者經詳盡的體格檢查和實驗室輔助檢查仍無法確定眩暈病因，為診斷不明性眩暈［4］。

即使是經驗豐富的醫師，在接診眩暈患者時也經常被原發疾病的診斷困擾，不少研究者也嘗試通過人工智能輔助進行眩暈原發病的鑒別和診斷。此外眩暈相關疾病患者的治療和康復方案也非常重要，有效治療和優質康復有助于患者早日回歸到正常生活中，人工智能在這些方面也做出了一定貢獻［5-6］。人工智能在上述相關領域的應用，有助于突破眩暈相關疾病診斷和治療的重點和難點，造福眩暈人群。

二、人工智能應用于眩暈相關疾病診斷與治療的常見算法

人工智能的概念產生于20世紀50年代，多年來衍生出眾多算法，其理論基礎有的基于集合論，有的基于概率統計，有的基于圖論，有的則嘗試模擬神經網絡。目前有多種人工智能算法被應用于眩暈相關疾病的診療［5］。從現有研究來看，k近鄰算法（k-NN）、樸素貝葉斯、Logistic回歸、決策樹、隨機森林等算法在眩暈相關疾病的診斷與鑒別中應用較多；神經網絡算法，特別是卷積神經網絡對醫學圖像的識別，例如在判斷眼球震顫中獨具優勢；支持向量機這一經典算法則貫穿了所有現代人工智能相關的研究，其不僅是經典的對照模型，能衡量創新算法的優劣，還在眩暈相關疾病的康復研究方面具有一定意義［7］。

算法是人工智能在眩暈相關疾病研究中的方法學基礎，需要找到合適的算法，結合合理的實驗設計才能順利開展研究。

三、人工智能在眩暈相關疾病診斷與病情評估中的應用

1.人工智能在周圍性眩暈相關疾病診斷與病情評估中的應用

1.1 早期人工智能在周圍性眩暈相關疾病診療評估中的嘗試

早在20世紀90年代末，就有學者試圖使用人工智能進行眩暈相關疾病的診斷，比較經典的有Gavilán等［8］創建的Carrusel系統，Mira等［9］開發的Expert systems（ES）系統等，這些系統均在當時獲得了不錯的診斷準確率。其后，赫爾辛基大學醫學院的專家聯合計算機專家開發了包括患者癥狀、體征、耳科檢查、神經檢查、聽力學以及影像學檢查等38項內容（后來被拓展為94項內容）的耳科專家診斷系統（ONE system）［10-11］。研究顯示，ONE system結合專家知識庫的診斷準確率為79.8%，高于單純ONE system診斷的準確率71.9%和單純專家知識庫診斷的59.2%，是早期人工智能在眩暈相關疾病診斷應用中比較成功的案例。后來的研究者又基于2012年提出的動態不確定因果圖理論（DUCG）發展了用于鑒別22種常見眩暈相關疾病的病因鑒別診斷模型，該模型包含上百種變量和近600條因果鏈，能模仿人類的診斷思維，即使在臨床信息相對缺失時，其強大的診斷能力仍可以正確診斷超過80%的病例，高于高年資臨床醫師［12-13］。一項早期研究評估了常用前庭功能檢測的優劣，認為旋轉測試在所有測試中的特異度及敏感度最高，且在使用機器學習的方法優化分類后，其診斷準確率可提高21%，應成為診斷眩暈患者單側外周前庭損傷的主要檢查，但該檢查常被臨床醫師忽視［14］。

1.2 新興人工智能算法在周圍性眩暈相關疾病診斷與治療評估中的應用

近年來，隨著算法科學的進步和研究思路的拓展，人工智能對眩暈相關疾病的診斷不再單純局限于模擬人類診斷思維，更傾向于通過人工智能技術尋找人類在診斷與治療工作中不易發現的細節，遺傳算法、貝葉斯算法、決策樹等也被用于眩暈相關疾病的診斷，例如可以通過人工智能進行糖尿病眼底病變的分級診斷［15］。一項關于良性陣發性位置性眩暈的研究顯示，對3 467例患者的91 778段眼球震顫視頻進行專家標注后輸入以卷積神經網絡為基礎的診斷模型，試圖診斷良性陣發性位置性眩暈，該模型對水平眼球震顫的診斷敏感度（0.910±0.036） 和特異度（0.919±0.032）更強，為良性陣發性位置性眩暈的診斷提供了新思路［16］。另有研究者通過人工智能對眼球震顫檢查進行了評估，一項研究著眼于人工智能對眼球震顫的自動識別，采用集成ResNet軟投票模型和VGG硬投票模型的方式分析分辨率或采樣率較低的視頻或圖片，評估眼球震顫的存在；另一項研究則評估了慢相算法和快相算法對眼球震顫檢測的準確性，該模型無眼球震顫診斷的準確率（91.7%～96.4%）遠高于有眼球震顫的準確率（38.8%～53.4%），Logistic回歸算法可以稍提高準確率，上述研究為采用人工智能檢測眼球震顫提供了一定的理論支持［17-18］。

Kamogashira等［19］通過采集行走時的運動相關數據比較前庭功能障礙與正常人之間的差異，發現梯度提升決策樹算法對姿勢不穩定性前庭功能障礙的診斷能力最強。Luo等［20］搜集耳鼻喉科專家與患者問診對話時的常用自然語言進行語義分析，通過樸素貝葉斯算法構建基于語料庫的預測模型，對引起眩暈的常見疾病預測能力（受試者操作特征曲線下面積為0.995）、特異度（98.2%）和敏感度（93.4%）均非常高。也有國內研究者使用前庭電刺激制造可逆的眩暈狀態分析腦電信號判斷有無眩暈，認為隨機森林模型對眩暈腦電圖表現的判別能力最強，但該研究采用人工干預對健康年輕志愿者進行眩暈造模，適用性存在一定爭議［21］。

一項通過隨機森林算法分析血壓、心率等患者常見數據的研究顯示，該算法可以將直立不耐受患者的單病因診斷準確率提高至95%，這顯示了人工智能算法對眩暈相關疾病這類需要進行多維度檢查疾病強大的評估能力［22］。但并非每種算法均能取得滿意的效果，另一項研究采用分類樹模型對病史采集常見的8個問題進行分析評估，該法對前庭疾病的診斷準確率則僅約50%［23］。除了算法的選擇會影響評估能力外，研究具體內容乃至采集方法等均可能會影響病情的評估，這也對臨床醫師的實驗設計提出了更大的挑戰。

1.3 大數據結合人工智能對周圍性眩暈相關疾病診療評估的貢獻

在大數據時代，除了先進的算法，數據量也是人工智能的研究熱點之一。一項研究以美國登記的疾病數據平臺為基礎，利用監督機器學習的方法構建決策樹模型，納入136個變量對常見的6種眩暈相關疾病進行診斷，其算法和大數據優勢能提供良好的特異度（89%～99%）和敏感度（70%～92%）［24］。另有一項研究也使用了臨床患者登記數據，通過不同算法分別鑒別了雙側前庭衰竭與功能性眩暈（分類準確率92.5%），原發性功能性眩暈與繼發性功能性眩暈（分類準確率56.5%～64.2%），良性陣發性位置性眩暈、前庭陣發性眩暈、梅尼埃病和前庭偏頭痛（分類準確率 25.9%～50.4%），該研究為眩暈相關疾病的鑒別診斷提供了新思路［25］。來自中國的學者也開發了基于問卷的機器學習模型，在該模型中發現使用光梯度增強機這一算法的診斷準確率高達96.2%，具有更高的診斷能力，該算法比較新穎，可能會成為問卷模型開發的助力［26］。新興移動設備也被應用于眩暈相關疾病的診斷，有德國學者以iPad程序為基礎開發了對眩暈相關疾病的診斷系統Medx，其診斷準確率可達82.1%～96.6%，其特異度很強（>80%），但靈敏度較低（40%～80.5%）［27］。

2．人工智能在中樞性眩暈相關疾病診斷與病情評估中的應用

人工智能對眩暈相關疾病的診斷并非面面俱到，從目前文獻報道來看，中樞性眩暈可能是人工智能診斷的短板。無論在對早期卒中所致中樞性眩暈的人口統計學、危險因素、生命體征和表現（非旋轉型頭暈或眩暈）等基礎信息為診斷資料的研究，還是對中樞性急性前庭綜合征患者前庭眼反射增益的研究，人工智能的預測能力沒有優于常規診斷方法，甚至有時還比常規診斷方法略低［28-29］。究其原因，一方面是研究并未使用彌散加權成像（DWI）等診斷“金標準”作為研究資料，可見目前診斷“金標準”仍具有較高的可靠性；另一方面也無法排除當前人工智能算法的局限性，人工智能算法暫時不能直接挑戰業界的“金標準”。

除了常見的眩暈相關疾病類型，人工智能在腦震蕩等相關的繼發性眩暈的評估方面也有建樹。有研究者通過機器學習方法預測腦震蕩后的癥狀緩解時間，發現樸素貝葉斯和隨機森林算法是較好的預測方法，預測準確率約70%［30］。

四、人工智能在眩暈治療決策中的應用

將人工智能融入眩暈治療是眩暈相關疾病診斷與治療的最新領域，不僅需要人工智能的經典算法，還需要虛擬現實、增強現實等多種技術的共同支持，其算法更新和技術融合也在不斷探索中。

康復方案是疾病治療的重點之一，有研究者將既往文獻報道整合為訓練數據，通過支持向量機和人工神經網絡分別對多個臨床評估量表進行分析，使用實際臨床樣本測試模型可靠性，發現支持向量機對眩暈康復方案制定的可靠性達80%以上，具有很高的臨床應用前景［31］。

國內外已經有多家公司上市了良性陣發性位置性眩暈的智能轉椅復位系統，通過先診斷，再用軟件操作轉椅進行不同維度旋轉來完成復位的模式治療良性陣發性位置性眩暈，有研究者通過人工智能分析制定智能轉椅復位系統的最佳操作方案，為患者提供復位的最佳方案和最優體驗，是人工智能與傳統復位方法融合的創新性嘗試［32-34］。另一項研究結合機器學習和虛擬現實制定游戲計劃，將前庭康復任務融入游戲，并采用支持向量機評估任務完成情況，輔助康復治療，治療效果顯著優于常規康復方案（P = 0.014），該游戲不僅可以根據參與者的表現識別健康人和眩暈相關疾病患者，還能規劃康復方案，有助于前庭康復訓練，是未來人工智能干預眩暈相關疾病治療的發展方向之一［35］。

五、總結與展望

近年來人工智能發展迅速，其在眩暈相關疾病診療中的應用也獲得了諸多成效，為人工智能輔助眩暈相關疾病的診療提供了新方法和新思路，特別是在診斷和評估方面。未來人工智能在眩暈相關疾病診療中可以從以下三方面尋求突破：一是提高效率、特異度和靈敏度的算法研發，卷積神經網絡的出現讓醫學影像的智能識別和診斷邁上了新的臺階，反映了優質算法對醫學診斷與治療的重要性，作為算法研究專家或醫學專家，應在現有算法基礎上開發更高效和更準確的人工智能算法，以滿足眩暈相關疾病復雜的臨床現狀。二是尋找更敏感的臨床診斷與評估指標，從前述研究來看，同樣是使用人工智能方法，除了算法敏感度差異外，不同的診斷、評估方法最終獲得的結果差異很大，這提示選擇敏感的臨床診斷與評估指標十分重要，這需要臨床醫師在長期醫療實踐中不斷總結反饋，篩選出最佳診斷、評估方案，指導人工智能的臨床應用。三是堅持醫工融合，不僅是人工智能與臨床的融合，還有增強現實、腦機接口等技術與人工智能的融合，共同促進人工智能在眩暈相關疾病診療中的進步。

參 考 文 獻

［1］ 王海濤， 薛軼文， 劉永勝， 等. 耳鼻咽喉科專病門診8310例眩暈患者的病因學分析［J］. 中華耳科學雜志， 2017， 15（6）： 670-674.

Wang H T， Xue Y W， Liu Y S， et al. Etiology of vertigo and dizziness in 8 310 patients［J］. Chin J Otol， 2017， 15（6）： 670-674.

［2］ Neuhauser H K. The epidemiology of dizziness and vertigo［J］. Handb Clin Neurol， 2016， 137： 67-82.

［3］ Karatas M. Central vertigo and dizziness： epidemiology， differential diagnosis， and common causes［J］. Neurologist， 2008， 14（6）： 355-364.

［4］ Jiam N T， Murphy O C， Gold D R， et al. Nonvestibular dizziness［J］. Otolaryngol Clin North Am， 2021， 54（5）： 999-1013.

［5］ Rastall D P， Green K. Deep learning in acute vertigo diagnosis［J］. J Neurol Sci， 2022， 443： 120454.

［6］ Mantokoudis G， Otero-Millan J， Gold D R. Current concepts in acute vestibular syndrome and video-oculography［J］. Curr Opin Neurol， 2022， 35（1）： 75-83.

［7］ Yang R， Yu Y. Artificial convolutional neural network in object detection and semantic segmentation for medical imaging analysis［J］. Front Oncol， 2021， 11： 638182.

［8］ Gavilán C， Gallego J， Gavilán J. ‘Carrusel： an expert system for vestibular diagnosis［J］. Acta Otolaryngol， 1990， 110（3/4）： 161-167.

［9］ Mira E， Buizza A， Magenes G， et al. Expert systems as a diagnostic aid in otoneurology［J］. ORL J Otorhinolaryngol Relat Spec， 1990， 52（2）： 96-103.

［10］ Varpa K， Joutsijoki H， Iltanen K， et al. Applying one-vs-one and one-vs-all classifiers in k-nearest neighbour method and support vector machines to an otoneurological multi-class problem［J］. Stud Health Technol Inform， 2011， 169： 579-583.

［11］ Varpa K， Iltanen K， Juhola M. Machine learning method for knowledge discovery experimented with otoneurological data［J］. Comput Methods Programs Biomed， 2008， 91（2）： 154-164.

［12］ Zhang Q. Dynamic uncertain causality graph for knowledge representation and reasoning： continuous variable， uncertain evidence， and failure forecast［J］. IEEE Trans Syst Man Cybern Syst， 2015， 45（7）： 990-1003.

［13］ Dong C， Wang Y， Zhang Q， et al. The methodology of Dynamic Uncertain Causality Graph for intelligent diagnosis of vertigo［J］. Comput Methods Programs Biomed， 2014， 113（1）： 162-174.

［14］ Priesol A J， Cao M， Brodley C E， et al. Clinical vestibular testing assessed with machine-learning algorithms［J］. JAMA Otolaryngol Head Neck Surg， 2015， 141（4）： 364.

［15］ 曹綺雯， 王春暉， 萬杰君， 等. 基于EasyDL開發糖尿病眼底病變人工智能分級診斷模型及其驗證評價［J］. 新醫學， 2022， 53（5）： 361-365.

Cao Q W， Wang C H， Wan J J， et al. Development of an artificial intelligent grading diagnosis model for diabetic fundus lesions based on EasyDL and its verification evaluation［J］. J New Med， 2022， 53（5）： 361-365.

［16］ Lim E C， Park J H， Jeon H J， et al. Developing a diagnostic decision support system for benign paroxysmal positional vertigo using a deep-learning model［J］. J Clin Med， 2019， 8（5）： 633.

［17］ Wagle N， Morkos J， Liu J， et al. aEYE： a deep learning system for video nystagmus detection［J］. Front Neurol， 2022， 13： 963968.

［18］ Winnick A A， Chen C C， Chang T P， et al. Automated nystagmus detection： accuracy of slow-phase and quick-phase algorithms to determine the presence of nystagmus［J］. J Neurol Sci， 2022， 442： 120392.

［19］ Kamogashira T， Fujimoto C， Kinoshita M， et al. Prediction of vestibular dysfunction by applying machine learning algorithms to postural instability［J］. Front Neurol， 2020， 11： 7.

［20］ Luo J， Erbe C， Friedland D R. Unique clinical language patterns among expert vestibular providers can predict vestibular diagnoses［J］. Otol Neurotol， 2018， 39（9）： 1163-1171.

［21］ 耿躍華， 石金祥. 機器學習與腦電信號分析相結合的眩暈狀態分類［J］. 中國組織工程研究， 2022， 26（29）： 4624-4631.

Geng Y H， Shi J X. Classification of vertigo state based on machine learning and electroencephalogram signal analysis［J］. Chin J Tissue Eng Res， 2022， 26（29）： 4624-4631.

［22］ Gilmore S， Hart J， Geddes J， et al. Classification of orthostatic intolerance through data analytics［J］. Med Biol Eng Comput， 2021， 59（3）： 621-632.

［23］ Strobl R， Gr?zinger M， Zwergal A， et al. A set of eight key questions helps to classify common vestibular disorders-results from the DizzyReg patient registry［J］. Front Neurol， 2021， 12： 670944.

［24］ Formeister E J， Baum R T， Sharon J D. Supervised machine learning models for classifying common causes of dizziness［J］. Am J Otolaryngol， 2022， 43（3）： 103402.

［25］ Vivar G， Strobl R， Grill E， et al. Using base-ml to learn classification of common vestibular disorders on DizzyReg registry data［J］. Front Neurol， 2021， 12： 681140.

［26］ Yu F， Wu P， Deng H， et al. A Questionnaire-Based Ensemble Learning Model to Predict the Diagnosis of Vertigo： Model Development and Validation Study. J Med Internet Res. 2022 Aug 3； 24（8）： e34126.

［27］ Feil K， Feuerecker R， Goldschagg N， et al. Predictive capability of an iPad-based medical device （me d x） for the diagnosis of vertigo and dizziness［J］. Front Neurol， 2018， 9： 29.

［28］ Kim B J， Jang S K， Kim Y H， et al. Diagnosis of acute central dizziness with simple clinical information using machine learning［J］. Front Neurol， 2021， 12： 691057.

［29］ Korda A， Wimmer W， Wyss T， et al. Artificial intelligence for early stroke diagnosis in acute vestibular syndrome［J］. Front Neurol， 2022， 13： 919777.

［30］ Bergeron M F， Landset S， Maugans T A， et al. Machine learning in modeling high school sport concussion symptom resolve［J］. Med Sci Sports Exerc， 2019， 51（7）： 1362-1371.

［31］ 劉東冬， 張甦琳， 劉波， 等. 基于機器學習的前庭康復決策研究［J］. 臨床耳鼻咽喉頭頸外科雜志， 2020， 34（7）： 592-598.

Liu D D， Zhang S L， Liu B， et al. Research on modelling vestibular rehabilitation decision based on machine learning［J］. J Clin Otorhinolaryngol Head Neck Surg， 2020， 34（7）： 592-598.

［32］ 吳立峰. 治療耳石癥的轉椅及其使用方法：CN201710277482.9.

2017-08-18.

［33］ 池沛沛， 陳文明， 戴勝良， 等. 耳石復位轉椅治療300例BPPV患者的臨床療效分析［J］. 世界最新醫學信息文摘， 2017， 17（88）： 49， 56.

Chi P P， Chen W M， Dai S L， et al. Clinical analysis of otolith reduction and swivel chair in the treatment of 300 patients with BPPV［J］. World Latest Med Inf， 2017， 17（88）： 49， 56.

［34］ Pedersen M F， Eriksen H H， Kjaersgaard J B， et al. Treatment of benign paroxysmal positional vertigo with the TRV reposition chair［J］. Int Adv Otol， 2020， 16（2）： 176-182.

［35］ Yeh S C， Huang M C， Wang P C， et al. Machine learning-based assessment tool for imbalance and vestibular dysfunction with virtual reality rehabilitation system［J］. Comput Methods Programs Biomed， 2014， 116（3）： 311-318.

（收稿日期：2023-10-17）

（本文編輯：洪悅民）