基于可解释人工智能的多模态行为数据预测脑卒中患者BCI治疗反应

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Multimodal behavioral data predict stroke patient’s response to BCI treatment through explainable AI

本研究针对脑卒中康复中脑机接口(BCI)治疗反应存在个体差异的临床难题，通过可解释人工智能(XAI)技术整合人口统计学、临床及生物力学多模态数据，构建了弹性网络(EN)和人工神经网络(ANN)预测模型。结果显示多变量模型(R2=0.852)显著优于单变量模型，其中基线运动功能(FMA-LE)、肌肉痉挛(MAS)和平衡功能被识别为关键预测因子。该研究为BCI治疗的精准患者分层提供了新思路，对推动个体化神经康复具有重要意义。

　　

脑卒中作为全球致残率最高的疾病之一，其导致的运动功能障碍严重影响着患者的生存质量。尽管基于脑机接口(BCI)的神经康复技术为运动功能重建带来了新希望，但临床实践中发现患者对BCI治疗的反应存在显著异质性——部分患者疗效显著，而另一些患者却收效甚微。这种"一刀切"的治疗模式严重制约了康复效果的最大化。如何精准预测个体患者对BCI治疗的反应，从而实现真正的个性化康复，成为当前神经康复领域亟待突破的瓶颈问题。

发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》的这项研究，创新性地将可解释人工智能(XAI)方法引入卒中康复预测领域。研究团队招募了42名处于亚急性期的下肢运动功能障碍卒中患者，在接受为期两周的BCI康复训练前后，系统采集了包括人口统计学、临床评估量表和生物力学测量在内的18个维度的行为数据。通过构建多元线性回归、弹性网络(EN)和人工神经网络(ANN)模型，研究人员不仅实现了对治疗反应的高精度预测，更揭示了影响康复效果的关键因素。

研究方法上，该研究采用留一交叉验证(LOOCV)策略确保模型泛化能力，运用逐步回归法和SHAP值分析实现模型可解释性。所有患者均来自北京清华长庚医院康复医学科，接受标准化BCI-踝关节机器人联合训练方案，包括EEG信号采集、运动意图解码和机器人辅助踝关节背屈/跖屈训练。

研究结果方面，关联分析显示多元线性回归模型(调整R²=0.852)显著优于仅使用基线Fugl-Meyer下肢评分(FMA-LE)的单变量模型(R²=0.758)。逐步回归筛选出四个核心预测因子：基线FMA-LE评分、Bobath三级平衡评定(BBR)、改良Ashworth量表(MAS)评分和年龄。

模型性能评估表明，弹性网络模型在预测BCI治疗反应方面表现最优，分类准确率(ACC)达0.810，受试者工作特征曲线下面积(AUC)为0.782，阳性预测值(PPV)和阴性预测值(NPV)分别为0.833和0.778。人工神经网络模型虽然稍逊(ACC=0.762，AUC=0.771)，但仍显示出良好的预测能力。

特征重要性解析通过SHAP值分析揭示，无论是弹性网络还是人工神经网络模型，均一致识别出基线FMA-LE评分、肌肉痉挛程度(MAS)和平衡功能(伯格平衡量表BBS/卒中患者姿势评估量表PASS)为三大核心预测因子。

讨论部分指出，该研究首次证实多模态行为数据可为BCI治疗反应预测提供独特且互补的信息。除了验证基线运动功能的核心预测价值外，特别强调了肌肉痉挛状态对BCI疗效的负面影响——痉挛可能干扰运动意图的神经信号解码，从而限制神经反馈的治疗效果。不同平衡评估量表(BBR、BBS、PASS)的互补性提示，临床实践中需根据患者功能障碍程度选择合适的评估工具。

研究局限性包括样本量有限、未纳入认知功能障碍患者、缺乏神经影像学数据以及BCI参数个体化优化不足等。未来需通过多中心大样本研究进一步验证模型的临床适用性，并整合神经电生理指标提升预测精度。

该研究的创新价值在于将可解释人工智能技术系统应用于BCI康复预后预测，为突破卒中康复的"比例恢复"规则提供了新思路。所构建的预测模型不仅有助于临床医生识别BCI治疗的优势人群，更为制定个体化康复方案提供了科学依据，标志着卒中康复正式迈向精准医疗时代。