《PLOS Digital Health》：PANDIA: Personalized neuro-symbolic multimodal fusion for interpretable neonatal pain assessment
编辑推荐：
有效评估0至3月龄婴儿疼痛是新生儿重症监护室（Neonatal Intensive Care Unit，NICU）及家庭医学诊所的关键挑战，该人群无法自我报告疼痛，现有观察工具主观性强且一致性差。本研究提出PANDIA（Personalized Adaptiv
有效评估0至3月龄婴儿疼痛是新生儿重症监护室（Neonatal Intensive Care Unit，NICU）及家庭医学诊所的关键挑战，该人群无法自我报告疼痛，现有观察工具主观性强且一致性差。本研究提出PANDIA（Personalized Adaptive Neuro-symbolic Data-fusion for Infant Assessment，面向婴儿评估的个性化自适应神经符号数据融合）系统，这是一种新型多模态人工智能系统，结合分层表征学习、基于图（Graph）的模态间推理、元学习（Meta-learning）个性化及符号概念瓶颈（Concept Bottleneck）解释机制，实现稳健婴儿疼痛评估。不同于以Transformer为核心的方案，PANDIA采用轻量级卷积神经网络（Convolutional Neural Network，CNN）/时序卷积网络（Temporal Convolutional Network，TCN）主干，配合图神经网络（Graph Neural Network，GNN）进行模态间融合，通过显式概念瓶颈与符号推理实现临床可解释性。其联邦学习（Federated Learning）框架支持隐私保护的多中心协作，同时元学习适配仅需极少单婴儿标注数据即可实现个性化评估。在覆盖四个数据集的2847名婴儿中验证显示，PANDIA准确率达87.3%，解释的临床接受率为92.1%，较最优基线提升12.4%，且在独立分布外测试集中表现一致，参数量低于30M，适配边缘部署。该系统为实现可解释人工智能在早期生命疼痛管理中的落地提供了结构化、可解释的路径，有望提升护理质量并辅助医疗决策。核心局限包括回顾性验证设计、多中心数据采集异质性，以及临床现场部署前需完成前瞻性临床试验。所有代码、训练模型、预处理流程及补充材料已在https://github.com/oussama123-ai/pandia无限制公开；NICU-MM数据集依伦理数据使用协议可申请获取，访问流程详见第4.1.1节。
本研究发表于《PLOS Digital Health》，针对新生儿疼痛评估长期存在的临床痛点展开系统性攻关。新生儿无法自我报告疼痛，传统量表如新生儿疼痛量表（Neonatal Infant Pain Scale，NIPS）、早产儿疼痛量表修订版（Premature Infant Pain Profile-Revised，PIPP-R）及COMFORT-B量表观察者间一致性低（κ=0.42–0.68），难以满足NICU连续监测需求。近年多模态人工智能虽在客观评估中展现潜力，但大Transformer架构算力需求过高，缺乏临床可解释性，未考虑个体疼痛表达差异，且多中心协作存在隐私风险，均限制了临床转化。为此，研究人员开发了PANDIA神经符号融合框架，通过联合设计轻量编码、图推理、概念瓶颈、元学习个性化、证据不确定性量化与联邦预训练五大模块，首次在同一系统中同时实现可解释性、个性化、隐私保护与边缘部署能力。
研究核心技术方法包括：采用来自四大洲四个数据集共2847名婴儿的2847例样本队列，含自研NICU-MM多模态数据集；构建轻量级多模态编码器（MobileNetV3-Small视频编码、CNN-TCN音频与时序生理信号编码）；引入12维临床概念瓶颈层（Concept Bottleneck Layer），将原始输入映射为面部、发声、生理三类可解释概念；通过图神经网络（GraphSAGE）建模概念间依赖关系；采用MAML启发式元学习实现5–20样本的快速个性化适配；集成证据深度学习（Evidential Deep Learning）输出预测不确定性，支持高风险场景主动拒识；基于联邦对比预训练（Federated Contrastive Pretraining）与差分隐私随机梯度下降（Differentially Private Stochastic Gradient Descent，DP-SGD）实现多中心隐私保护协作。
研究结果按章节总结如下：
引言部分明确现有工具的不足与PANDIA的五个创新集成点，确立研究目标。
相关工作部分系统对比了传统量表、现有自动化方法及联邦学习、元学习的应用局限，凸显PANDIA的差异化优势。
方法学部分详述问题定义与系统架构。轻量编码器实现视频、音频、生理信号的低延迟特征提取；概念瓶颈层经临床专家标注与阈值校准，确保概念与疼痛体征对齐；关系图推理器支持模态缺失时的动态掩码与不确定性补偿；元学习个性化模块仅更新图注意力权重与分类层，冻结概念参数，适配0–35天发育变化；证据输出层在不确定性超过阈值时主动拒识，交由临床判断；符号规则引擎基于18条临床规则与三级冲突解决机制，生成可读解释。联邦训练策略包含对比预训练与安全聚合，满足ε-差分隐私，适配低带宽环境。
实验验证部分基于标准化预处理后的四个数据集开展。总体性能显示，PANDIA准确率达87.3%，较最优基线PainNet提升12.4%，二次加权Kappa（Quadratic Weighted Kappa，QWK）为0.847，预期校准误差（Expected Calibration Error，ECE）为0.041，参数量低于30M，推理延迟78ms。消融实验证明概念瓶颈贡献最大性能增益（5.2%），神经与符号模块分别支撑精度与临床信任。个性化实验表明，仅需5个标注样本即可提升3.2%准确率，15–20样本达最优。临床可解释性评估中，15名临床医生对解释的接受率达92.1%。鲁棒性测试显示，在噪声、遮挡、传感器丢失及多婴儿场景中仍保持稳定，极低出生体重儿亚组准确率为74.2%，其余亚组均超80%临床可接受阈值。边缘部署分析证实系统在NVIDIA Jetson Nano等设备上可行。跨数据集与分布外验证进一步证实泛化能力。
讨论部分指出，PANDIA通过概念瓶颈桥接AI预测与临床推理，可整合至现有NICU工作流，支持实时预警与家庭医疗决策。技术层面，各模块的互补性已通过消融实验验证，移除任一模块均导致性能显著下降。研究同时明确局限：当前为回顾性验证，尚未开展前瞻性随机试验；数据集主要来自学术医疗中心，社区与资源匮乏地区代表性不足；概念监督依赖专家标注；极早产儿（<28周）准确率待提升。伦理层面，公平性审计显示各亚组性能差距可控，已制定针对极早产儿的专项数据补充计划，并强调系统仅为决策支持工具，不可替代临床判断。失败模式分析将51.5%的误差归因于临床固有挑战（混淆状况、极端早产），并通过通气标志、动态图掩码等机制实现可控降级。
研究结论为：PANDIA通过神经符号融合与多技术协同，实现了高精度、高可解释性、隐私保护且适配边缘计算的新生儿疼痛评估，为可解释人工智能在临床落地提供了可行范式。未来需在多样化NICU环境中开展前瞻性试验，验证其对临床结局与工作流程的实际影响。
