IF＝5.8 | 使用fNIRS评估外科技能：通过神经成像探索外科训练中的大脑活动

本研究 Assessment of Surgical Tasks Using Neuroimaging Dataset (ASTaUND) 发表于 2023 年的 Scientific Data （IF＝5.8），来自伦斯勒理工学院的Anil Kamat和Condell Eastmond等人为本研究的第一作者。

作为一种无创脑成像技术，近红外脑功能成像（fNIRS）通过测量脑内氧合血红蛋白和脱氧血红蛋白的浓度变化，提供高分辨率的皮层激活监测。与传统的EEG和MRI相比，fNIRS技术具备更高的灵活性，能够在自然、不受限制的环境中使用，非常适用于动态任务的脑功能研究。本文围绕“基础腹腔镜外科”（FLS）计划，结合fNIRS技术，针对不同任务复杂度的心理运动技能，开展了四项研究：专家与新手对比、学习曲线、短期经颅电刺激（tES）和长期tES研究。通过这些数据集，研究者展示了fNIRS在评估外科任务相关脑激活、分类技能水平、预测FLS评分等方面的应用潜力，同时结合深度学习模型，为优化外科训练提供了新思路。此外，研究还探讨了神经调控对技能习得的促进作用，以及脑网络连接对运动学习的影响，为技能评估、训练和神经行为机制研究提供了重要支持。

通过 fNIRS 技术，同时记录参与者在执行运动任务时的信号，这些信号覆盖了前额叶皮层（PFC）、辅助运动区（SMA）和初级运动皮层（M1）。

硬件与设备

FLS（基础腹腔镜外科）计划依赖物理模拟训练器来培养和评估技术技能。这种物理模拟器是一个封闭的箱体，外科手术工具可通过狭窄的开口插入箱内进行操作。受训者通过实时视频观察，使用这些工具练习手术任务。用于评估外科技能的PC任务是在FLS模拟箱中完成的。

在“专家与新手对比研究”和“学习曲线研究”中，使用了一种经过验证的32通道连续波近红外光谱仪(CW6 system, TechEn Inc., MA, USA)。该系统发射690 nm和830 nm波长的光，并配备了8根长光纤照射器和8个短间距探测器，与16个探测器耦合。长间距通道的测量距离在30-40 mm之间，而短间距通道的测量距离约为8 mm。探针设计通过蒙特卡洛模拟进行了评估，显示其对PFC、M1和SMA功能变化具有高灵敏度（见图1）。为了在不同头部尺寸的受试者之间保持一致性，fNIRS通道以国际10-5系统为基准进行定位。

在涉及经颅电刺激（tES）的研究中，使用了NIRScout系统 (NIRx, Berlin, Germany)。该系统发射760 nm和850 nm的连续波近红外光。实验使用的布置与前述布置相同，但增加了三个额外的探测器，以提高对左M1、右M1和SMA区域的灵敏度（见图1）。最终配置为8个光源、19个探测器和28个长间距通道。

tES由StarStim设备(StarStim, Neuroelectronics, Spain)提供，采用烧结的Ag/AgCL颗粒电极，电极直径为12 mm，接触面积为1 cm²。一只电极放置在左M1区域（10-20 EEG系统的C3位置），另一只电极放置在右PFC区域（Fp2位置）。随机噪声刺激（tRNS）以1 mA的强度，频率范围为0.1-650 Hz。直流刺激（tDCS）从0 mA开始，在30秒内逐渐升至1 mA，在刺激结束时逐渐降回0 mA。假刺激的电流设置为0 mA，并在开始和结束时以30秒内升降至1 mA，以模拟tDCS的电流变化带来的皮肤感觉。

通过AtlasViewer软件，利用光子传播的蒙特卡洛模拟评估探针对大脑皮层变化的敏感性。

外科任务

PC任务是FLS计划中的五项心理运动任务之一，其目标是使用腹腔镜工具尽可能快速、准确地切割标记的纱布。受试者必须在体积受限的三维环境中操作，同时通过二维显示屏进行视觉反馈。所有参与者均通过标准化的语言指导或视频学习任务目标及完成规则。所有实验均在充分照明的条件下进行。

任务表现依据FLS指南进行测量。原始评分基于完成时间和错误计算，得分越高表示表现越好。熟练表现被定义为在98秒内完成任务且无偏离标记圈的错误。

受试者和任务设计

      本实验采用块状设计，包括休息期和刺激期（即PC任务）。PC任务在完成后或持续5分钟后停止。然后，在tES研究中休息约30秒，在“专家与新手对比”和“学习曲线”研究中休息1分钟，以便大脑激活恢复到基线水平。切割任务与休息期交替进行，每位参与者重复多次。

图2 (a) 研究队列与设计示意图；(b) 短期经颅电刺激（tES）研究块状设计；(c) 长期经颅电刺激（tES）研究块状设计

专家和新手对研究

受试者分为新手组和专家组（4至5年级住院医师和主治医生）。每位受试者执行5次PC任务，每次任务之间休息1分钟。本研究旨在确定功能性神经成像是否能区分熟练与非熟练的外科操作表现。在本研究中，所有受试者在同一次实验中执行5次任务。

学习曲线研究

受试者分为FLS训练组和未训练对照组。样本人群包括未接受过FLS培训的新手（n=8训练组，n=5对照组，1 - 3年住院医师，平均年龄26.1±3.6岁）。两组是独立的，每位受试者仅属于其中一组。未训练的对照组在第一天完成三次物理模拟器任务（即FLS训练箱）和三次虚拟现实基础腹腔镜技能训练器（VBLaST）任务（虚拟模拟器数据未在此发表）。在为期两周间隔后，对照组执行三次FLS任务，作为最终技能保持日的一部分，且没有接受任何腹腔镜技能训练。FLS训练组则被要求在连续12天内每天完成最多10次任务，在各自的模拟器上进行。完成12天的训练后，每组暂停两周的腹腔镜训练，再执行三次FLS任务，并进行一个转移任务——在一块新鲜人类尸体腹膜组织上切割相似大小的圆形。这项研究不同于前述研究，完全由非熟练的外科实习生组成。研究的目的是确定能否通过功能性神经成像监测外科技能的习得，并监控受试者在训练过程中达到熟练度的表现。

短期tES研究

本研究招募了12名新手医学生。实验开始前，受试者观看视频学习如何执行任务，并进行10次PC任务，以熟悉模拟器和fNIRS记录帽。然后，所有受试者完成了两个连续的测试块，一个是tRNS刺激块，一个是假刺激块（刺激顺序随机），每个测试块之间休息1小时。每个测试块包括刺激前的4次任务，20分钟的假刺激或tRNS刺激，接着是刺激后的4次任务。

长期tES研究

长期tES研究的受试者分为三组：tDCS组、tRNS组和假刺激组。受试者参加了为期12天的连续训练，并在四周后的随访中再进行一次实验。从第2天到第11天，受试者每天接受10分钟的刺激（根据组别分配为tDCS/tRNS/假刺激），随后进行30分钟的练习，同时记录fNIRS数据。在第12天，完成5次PC任务训练后，受试者执行了一个转移任务，即从新鲜猪腹壁中去除标记的腹膜层。训练完成四周后，受试者返回进行随访实验，执行相同的PC任务三次，并进行一个转移任务，评估其技能保持和转移技能的能力。本研究使用功能性神经成像技术，在多个训练日和一个训练后保持日的周期内监测外科技能的习得，类似于学习曲线研究。不同之处在于，本研究旨在比较不同类型经颅电刺激（tDCS、tRNS和假刺激）对外科技能习得的影响。

数据处理

为了促进结果的可重复性并为不熟悉fNIRS数据处理的研究人员提供示范数据处理流程，本研究提供了数据处理流程的详细描述，数据处理使用开源软件HOMER2完成。由于数据集使用了不同的硬件，因此针对每个成像系统采集的数据采用了不同的处理步骤和参数。

图3(a) 外科任务表现示意图与同步fNIRS数据收集; (b) 数据处理和技术验证流程图;

(c) 专家/新手对比数据集中每个采样皮层区域的血流动力学反应函数（HRF），按受试者平均计算; (d) 长期经颅电刺激（tES）数据集中每个采样皮层区域的血流动力学反应函数（HRF）

数据记录

所有数据都公开可用，可通过Figshare访问。每个数据集上传到一个单独的目录，并以共享近红外文件格式（.snirf）和脑成像数据结构（BIDS）格式存储。每个数据集还附带一个Microsoft Excel（.xlsx）电子表格，包含数据集的元数据、受试者信息以及每个实验的FLS评分。每个数据集的文件结构按实验条件、受试者及每次记录进行分类，并标记为“受试者标识符-训练日/条件-记录中的试次数”。

此外，Figshare中的数据仓库还提供了每个实验的元数据表（CSV格式）和相关的README文件。这些文件提供了关于研究各方面的详细信息，包括受试者的基本信息、安全评估、表现评分、变量、使用的参数以及fNIRS文件名，以便于交叉引用。元数据表和README文件为理解实验数据及其组成部分提供了全面的参考。

技术验证

为了准确评估数据质量，未排除任何信号通道，且在分析前未使用去噪方法。由于fNIRS是非侵入式的，因此会采集来自身体其他部位的生理信号，如心脏节律、血压波动和呼吸频率，这些信号可能干扰fNIRS测量。因此，有必要验证测量信号的质量。

此外，由于fNIRS是非侵入式的，探头与头皮的脱耦可能会产生运动伪影，这些伪影被视为干扰信号。为评估数据集的质量，提供了信噪比（SNR）和运动比（motion ratio）。SNR是评估信号质量的一种方法，计算公式为：

运动比是通过计算受运动伪影影响的片段总时长与总采集时长的比值来得出的。运动伪影的时长是使用Homer3功能推荐的参数识别的。理想情况下，数据应当不包含噪声和运动伪影；然而，如图4所示，运动伪影和较低的信噪比影响了某些通道的数据质量。这并不令人意外，因为完成PC任务时需要在自然且不受限的环境中进行操作。

为确保任务相关的血流动力学活动存在于数据中，计算了对比噪声比（CNR），用于评估两个可比较人群之间的差异。首先，计算每个人群的HRF均值（使用每项研究中指定的数据处理流程，排除通道修剪）。比较的人群包括“专家与新手对比”研究中的专家组与新手组，“学习曲线”研究中的受训组与对照组，以及“长期tES”研究中的假刺激组与tDCS组、假刺激组与tRNS组。一旦计算出每组的HRF均值，我们通过计算每个通道的CNR，将每个HRF均值的差值除以两组HRF的方差和的平方根。

原文链接：https://www.nature.com/articles/s41597-023-02603-3