基于透明人工智能的睡眠呼吸暂停跨场景可解释交互评估系统Apnea Interact Xplainer的研发与应用

本研究针对睡眠呼吸暂停(SA)大规模筛查面临的监测设备复杂、诊断效率低下及人工智能模型"黑箱"问题，开发了Apnea Interact Xplainer(AIX)系统。通过分析15,807例多民族多中心PSG数据，该系统在四分级诊断中准确率达0.738-0.810，AHI预测R2达0.92-0.96，单通道SpO2配置下早期筛查灵敏度达0.970。首创的透明尺度扩散机制实现了从事件级到整夜的呼吸模式可视化解释，为临床和家庭场景提供灵活可靠的SA诊断新范式。

　　

睡眠呼吸暂停(Obstructive Sleep Apnea, OSA)作为全球约9.36亿成年人罹患的常见睡眠障碍，可导致神经认知损伤、心血管疾病等严重并发症。然而现有诊断金标准多导睡眠图(PSG)存在设备复杂、费用高昂等问题，而简化监测方法又面临分析效率低下和人工智能模型决策不透明的双重挑战。针对这一临床痛点，复旦大学附属华山医院等机构的研究团队在《Nature Communications》发表了突破性研究成果。

研究团队开发了Apnea Interact Xplainer(AIX)系统，其核心创新在于：1）首创透明尺度扩散网络(TSD-Net)，通过多阶段注意力机制实现从30秒呼吸事件到整夜诊断结论的可视化解释；2）支持从专业级三通道(鼻气流Flow、胸廓运动Chest、血氧SpO₂)到家庭单通道SpO₂的灵活配置；3）引入睡眠呼吸暂停风险指数(SARI)作为整合事件频率与持续时间的数字化生物标志物。

关键技术方法包括：1）分析NSRR数据库中15,807例多民族PSG记录，构建非重叠SHHS模型(n=2,789)和全样本SHHS模型(n=5,255)；2）开发TSD-Net架构，结合多尺度卷积注意力(MSCA)和多头自注意力(MHSA)模块；3）采用LightGBM集成多通道特征；4）在亚洲人群前瞻性队列(n=297)中验证家庭监测性能。

主要研究结果体现在：

1. 1.

   多中心验证性能：在SHHS、MESA等外部测试队列中，金标准三通道配置下四分级准确率达0.738-0.810，99.8%病例误差不超过1个严重等级。单通道SpO₂配置保持0.751-0.785的Macro F1值。

1. 1.

   跨人群稳定性：在不同性别(男性Macro F1=0.81 vs 女性0.77)、年龄和BMI分组中表现均衡，尤其在亚洲前瞻性队列实现ICC=0.917的AHI预测一致性。

2. 2.

   透明决策机制：通过四级注意力热图可视化呼吸事件判定逻辑，与AASM标准高度吻合。如Flow通道准确标记气流下降≥90%的呼吸暂停事件，SpO₂通道聚焦≥3%的血氧去饱和。

3. 3.

   人机协作效能：当交互阈值设定0.00-0.45时，通过复核20.4%的模糊样本可使二元事件分类敏感度从0.914提升至0.966。

4. 4.

   家庭应用验证：便携式SpO₂监测方案成本降至15美元/测试，分析时间仅1-10分钟，较传统PSG降低90%以上成本。

这项研究通过透明AI技术架起了专业诊断与普惠医疗间的桥梁。其创新价值不仅体现在性能指标上，更在于：1）首次实现呼吸事件分析的"白盒化"解释；2）突破性地验证单通道SpO₂在家庭筛查中的可靠性；3）建立的SARI指标为长期疾病管理提供新工具。正如讨论部分指出，该系统的模块化设计未来可整合EEG等信号，为全面睡眠分析提供扩展可能。这项工作为呼吸系统疾病的数字化诊断树立了新范式，其技术框架对开发其他医学AI应用具有重要借鉴意义。