[论文解读] The Past, Current, and Future of Neonatal Intensive Care Units with Artificial Intelligence

Elif Keleş, Ulaş Bağcı|arXiv (Cornell University)|Feb 1, 2023

Neonatal Respiratory Health ResearchMedicine被引用 3

一句话总结

本篇系统性综述整合了1996年至2022年间的106项研究，探讨人工智能在新生儿重症监护中的应用，评估了经典机器学习与深度学习在新生儿科中的应用。研究分析了人工智能在生存预测、神经影像学、生命体征监测以及早产儿视网膜病变方面的应用，依据PRISMA 2020指南，识别出关键方法、挑战及NICU中未来整合的路线图。

ABSTRACT

Machine learning and deep learning are two subsets of artificial intelligence that involve teaching computers to learn and make decisions from any sort of data. Most recent developments in artificial intelligence are coming from deep learning, which has proven revolutionary in almost all fields, from computer vision to health sciences. The effects of deep learning in medicine have changed the conventional ways of clinical application significantly. Although some sub-fields of medicine, such as pediatrics, have been relatively slow in receiving the critical benefits of deep learning, related research in pediatrics has started to accumulate to a significant level, too. Hence, in this paper, we review recently developed machine learning and deep learning-based solutions for neonatology applications. We systematically evaluate the roles of both classical machine learning and deep learning in neonatology applications, define the methodologies, including algorithmic developments, and describe the remaining challenges in the assessment of neonatal diseases by using PRISMA 2020 guidelines. To date, the primary areas of focus in neonatology regarding AI applications have included survival analysis, neuroimaging, analysis of vital parameters and biosignals, and retinopathy of prematurity diagnosis. We have categorically summarized 106 research articles from 1996 to 2022 and discussed their pros and cons, respectively. In this systematic review, we aimed to further enhance the comprehensiveness of the study. We also discuss possible directions for new AI models and the future of neonatology with the rising power of AI, suggesting roadmaps for the integration of AI into neonatal intensive care units.

研究动机与目标

• 全面评估过去三十年中机器学习与深度学习在新生儿重症监护病房（NICUs）中的作用。
• 识别并分类新生儿科中关键的人工智能应用，包括生存分析、神经影像学、生物信号处理以及早产儿视网膜病变（ROP）的诊断。
• 评估人工智能驱动的新生儿疾病评估中方法论的发展、算法创新以及现存挑战。
• 基于循证综述标准（PRISMA 2020），为将人工智能整合到临床NICU工作流程中提供结构化路线图。
• 预测人工智能在新生儿科的未来发展方向，强调临床转化与系统级整合。

提出的方法

• 采用PRISMA 2020指南，对1996年至2022年间关于新生儿科中人工智能的106篇同行评审研究进行了系统性文献综述。
• 根据应用领域对研究进行分类：生存分析、神经影像学、生物信号与生命体征参数分析，以及ROP诊断。
• 评估算法方法，包括经典机器学习（如随机森林、支持向量机）和深度学习（如卷积神经网络、循环神经网络、Transformer）在新生儿临床数据中的应用。
• 综合分析方法论的优势与局限，重点关注数据质量、模型可解释性及临床验证。
• 绘制人工智能技术在新生儿护理中演进的路径，识别研究与实施中的趋势与空白。
• 提出人工智能在NICUs中未来整合的路线图，强调互操作性、实时监测与临床决策支持。

实验结果

研究问题

• RQ1 人工智能在新生儿重症监护中的主要临床应用是什么？其从1996年到2022年的演变过程如何？
• RQ2 经典机器学习与深度学习模型在新生儿疾病预测与诊断中的性能与临床适用性方面有何比较？
• RQ3 哪些方法论挑战——如数据稀缺、模型可解释性与泛化能力——限制了人工智能在新生儿护理中的部署？
• RQ4 如何系统性地将人工智能模型整合到NICU工作流程中，以改善临床结果与决策？
• RQ5 为实现实现可扩展、真实世界中的人工智能部署，未来需要哪些研究方向与技术进步？

主要发现

• 深度学习在新生儿应用中已取得显著进展，尤其在神经影像学与早产儿视网膜病变（ROP）检测方面，部分模型在ROP筛查中准确率超过90%。
• 用于生命体征与生物信号分析的人工智能模型在预测败血症与呼吸暂停方面展现出潜力，但其在大型、多样化队列中的临床验证仍有限。
• 结合多模态数据的机器学习生存预测模型在风险分层方面优于传统评分系统，尤其在复杂病例中表现更优。
• 尽管已取得进展，但数据质量差、模型可解释性不足以及缺乏前瞻性临床试验，仍是阻碍人工智能在NICU广泛采用的主要因素。
• 人工智能在NICUs中的整合仍处于早期阶段，大多数研究仍停留在概念验证阶段；实现实时、可扩展的部署仍是未来的关键挑战。
• 未来人工智能的发展应优先关注可解释人工智能、用于数据隐私保护的联邦学习，以及标准化基准，以确保临床可靠性与监管合规性。