2023第一屆「心智與腦科學」 - 心理、神經、與大腦 科普寫作徵文 A組心智與腦科學－佳作：陽明交通尤Ｏ譽
「大家注意！大家注意！緊急情況，本院急診室收到到院前心跳停止病患，請前往急救。重複一次，本院急診室收到到院前心跳停止病患，請前往急救…」這是在急診室中非常容易出現的情況，醫師、護理師們圍著病患急救，希望趕快能讓病患恢復血流心跳。這是因為病患在心跳停止的那一刻起，就要面對倒數計時，缺乏循環的情形下，缺氧造成的傷害遍布每一個器官，從肝、心、腎等等。然而這些傷害都不及人體對氧氣濃度最為敏感的器官－－腦。腦部以葡萄糖作為主要的營養來源，消耗大量氧氣進行代謝，對於缺氧是最容易受到傷害的，因此只要短暫的缺氧及會受到大量不可逆轉的傷害，即便血流恢復，也會因為再灌流導致細胞內外離子不平衡等導致腦部組織受到二次傷害。因此對於心跳停止的病人來說，腦部的損傷是最重要，最能預測後續結果也是最需要避免的。
腦部損傷的評
估
對於腦部損傷的程度，我們會以大腦表現分類指標(Cerebral Performance Category, CPC scale)來進行評估，分為1-5分，其中越高的分數代表越差的神經學結果，如5分代表腦死。在一般的臨床環境下，會簡要的把1-2分視為良好的神經學結果，3-5分則否。1-2分的病人在出院後可以自主生活，也是希望病人能夠達成的目標。作為病患家屬，自然會希望病患能夠達到良好的結果，也會想及早知道病人的情形。因此，我們使用CT電腦斷層影像來評估一個人的大腦是不是受到傷害。左圖中，左邊的腦是正常的人，其中可以看得出有明顯的結構分層，可以看出灰質(grey matter)以及白質(white matter)的亮度差異。而右手邊的圖則為已經受到不可逆損傷的大腦，可以發現結構分界不明顯，也沒有明顯的亮度變化。因此，快速拍攝的電腦斷層影像可以早期知道病人可能的預後，並及早與病人家屬溝通，協助醫病關係。
利用深度學習輔助影像分類
然而單純使用影像去判讀，其實無法察覺到較為精細的變化，因此可以利用深度學習模型的方式，去協助將腦影像分類。其中有力的模型如捲積神經網路(CNN)、自動編碼器(auto-encoder)、U-net等，都是可以將影像從高維度降到低維度的空間中，並依據先有的真實值(ground truth)去進行訓練，並在獨立的資料集中分析並預測。在先前研究中，有許多證實可以將深度模型運用在腦影像去預測中風發作、失智症前兆、血管異常等結構變化，可以協助醫師在腦影像不具肉眼可察覺的變化時，進行較為精準的預測。
研究成果
本研究
蒐集台北榮民總醫院於2017-2021年間共144名到院前心跳停止的病患，並將其依據30天後治療流程結束的大腦表現分類指標作為分類的依據。本研究使用腦部基底核區，血流豐沛並且最能代表腦損傷的區域的平面影像，進行模型的訓練。本研究使用變異數自動編碼器(Variational auto-encoder)(左圖上，來源mathwork)將影像資料從高維度降階至低維度的潛伏向量(latent space)再進行分類。最終本分類器達成了86.1%的預測大腦表現分類指標的準確率，高於一般僅由醫師判讀的50%上下。本研究成功證實深度學習技術可以用於預測心跳停止病患的神經學結果。
