对医生而言，准确判断患者疼痛位置对于医疗诊断和治疗至关重要，不过疼痛往往难以量化，且多数评估都是主观的。为此，密歇根大学和部分研究者决定通过基于移动神经影像的AR＋AI的一个临床应用框架：CLARAi。

这是一套结合AR＋AI的医疗技术研究，该方案将机器学习模型与AR技术结合，对患者进行冷刺激，通过便携式光学成像仪测量皮质活动。然后基于多个神经网络模型对这些数据进行解码分析，从而区分出疼痛和无痛。

简而言之，就是一种新型的基于神经成像的AR与AI结合的技术，从而将大脑活动数据转化为客观的结果，从而方便医生进行判断和定位疼痛位置。

疼痛程度判断的背景

我们知道，对能够准确评估急性或慢性疼痛病症的疼痛程度是至关重要的，这直接影响着诊断和后续治疗，特别是当患者表示长期饱受病痛折磨时。

据悉，仅疼痛病症在医疗费用、时间损失等方面的经济影响十分巨大。即便如此，医生确定疼痛仍在“以0-10为例”确定你的疼痛程度。虽然用疼痛问卷和面部测量表等方式进行量化疼痛程度是一个普遍且相对效果不错的方式，但是这种报告仍然存在较大局限性，主要体现在以下几个方面：

1，不同年龄、文化差异人群在疼痛表达方面不同，例如不同辈分的人对于类似疼痛表达方式不同，甚至同一个人在病症不同时期也有不同表达；
2，这种方式无法在正常诊断或手术中应用，包括在拥有认知障碍的患者；
3，自我报告的形式在不同的疼痛方面提供的价值有限，甚至还可能模糊病症治疗。

为了突破这些限制，研究人员开始分析使用神经影像技术，WagerTD和同事们利用机器学习技术制作了一个AI模型，其通过功能核磁共振成像（fMRI）数据，从而提供了基于神经学特征的个体疼痛检测可能性。

据悉，fMRI在客观的大脑疼痛评估方面已经迈出了一大步，不过由于MRI仪的体积大、成本高等特性，限制了该技术在临床上应用的可能性。

为此，研究人员决定转向便携式神经影响设备，他们和fMRI技术具有着类似的优势，并能以非侵入的方式通过近红外光（fNIRS）测量头骨内一定距离的HbO、HbR浓度变化。

研究细节

目标是开发一套技术解决方案，从而能够实时将神经影像变成可视化的数据，并测量和解析皮质活动，最终确定出什么时间疼痛、什么位置疼痛等。

综合而言，这是一套基于光学神经成像（fNIRS）、增强现实（AR）、基于神经网络（NN）的人工智能（AI）三步实验成功得出的。

接下来就基于HoloLens，开发出一个框架。在本研究中，将患者大脑中多皮质区域数据无线传输到HoloLens端，然后基于密歇根大学自己开发的应用（集成自研的3D渲染引擎，可渲染复杂3D场景，支持高级材质、灯光和详细网格），重建具有功能区域的虚拟大脑，基于16个数据源从而最终呈现出CLARAi的概念形态。

实验结果

在21名志愿者的测试中，有12人进行了深度测试。该测试中12名参与者共收集180580个数据立方体，其中23900被标记为疼痛，156680被标记为无疼痛。

实验2共有2名志愿者的数据，共有20820个数据立方体，其中2000个被标记为右侧疼痛，2000个标记为左侧疼痛，26820个标记为无疼痛。上图中展示了患者3在疼痛状态和无疼痛状态下平均的HbO和HbR水平。

JMIR