Ученые нижегородского Университета Лобачевского обучили нейросеть сегментировать паттерны эпилептиформной активности на ЭЭГ. Это позволит автоматизировать рутинный ручной анализ для постановки диагноза "эпилепсия", сообщили ТАСС в пресс-службе вуза.
© ТАСС
"Индекс спайк-волновой активности (SWI) стал важным количественным биомаркером при эпилепсии. SWI представляет собой процент времени записи ЭЭГ, в течение которого наблюдаются паттерны эпилептиформной активности, и служит объективной мерой эпилептиформной нагрузки. Традиционные методы расчета SWI включают ручной подсчет спайков и острых волн за короткий интервал записи ЭЭГ. Автоматизированный анализ записей ЭЭГ позволит разработать персонализированные стратегии лечения и объективно отслеживать эффективность терапии", — сообщили в вузе.
Как объясняет старший научный сотрудник научно-исследовательской лаборатории "Искусственный интеллект в кардио- и нейронауке", кандидат биологических наук Альбина Лебедева, ручная разметка ЭЭГ врачами крайне трудоемка, а визуальная интерпретация подвержена значительной вариабельности: даже высококвалифицированные эксперты часто расходятся во мнениях при оценке одних и тех же записей, особенно при неоднозначных паттернах.
"Нейросеть не устает, не теряет концентрацию и не подвержена субъективным трактовкам. Она выдает стабильный, математически воспроизводимый результат, который в среднем соответствует консенсусу группы экспертов. Нейросеть выступает как неутомимый и беспристрастный второй эксперт, который размечает данные с точностью, сопоставимой со средним мнением нескольких врачей, но делает это мгновенно и одинаково при любых условиях", — отметила автор исследования.
В работе принял участие большой коллектив авторов, включающий врачей-эпилептологов из университетов Москвы и Нижнего Новгорода. Специалисты Университета Лобачевского занимались разработкой и адаптацией архитектуры глубокой нейронной сети (1D U-Net) для задач сегментации одномерных временных рядов (ЭЭГ), проводили обучение модели, оптимизацию гиперпараметров и комплексное сравнение результатов автоматической сегментации с оценками медицинских экспертов.
Нейронная сеть
Для обучения была выбрана архитектура 1D U-Net — адаптация классической U-Net для одномерных последовательных данных, которая обеспечивает конкурентоспособную общую производительность, а также позволяет получить вычисляемые по сегментационным маскам оценки SWI, которые хорошо согласуются с экспертными оценками. Данная архитектура была выбрана из-за своей способности автоматически выделять признаки, а также благодаря симметричной структуре с пропускными соединениями, которая учитывает как локальные особенности, так и глобальный контекст.
Кандидат физико-математических наук, старший научный сотрудник научно-исследовательской лаборатории "Искусственный интеллект в кардио- и нейронауке" Татьяна Леванова подчеркивает, что принципиальная новизна работы ученых заключается в создании и аннотировании собственной базы данных ЭЭГ с привлечением нескольких независимых экспертов для формирования надежного золотого стандарта.
"Нами реализован подход, основанный именно на сегментации — точном определении границ паттернов во времени, а не на простой бинарной детекции факта наличия активности. Это позволяет точно количественно оценить эпилептиформную нагрузку. Также мы провели комплексное сравнение автоматических аннотаций с оценками экспертов, включая прямой расчет и сопоставление индекса спайк-волновой активности", — сказала она.
Оценка информации
Набор данных, использованный для исследования, состоял из 51 записи ЭЭГ, полученной от 45 испытуемых в возрасте от 3 до 13 лет. Он был разделен на уровне отдельных субъектов на обучающую и тестовую подгруппы. Тестовая подгруппа включала 10 записей от 10 субъектов и использовалась для получения и сравнения экспертных оценок SWI. Оставшаяся 41 запись использовалась для обучения модели сегментации.
Пять экспертов функциональной диагностики с опытом по интерпретации ЭЭГ не менее пяти лет независимо оценили выбранные десятиминутные сегменты и оценили SWI. Эксперты не знали результатов работы нейронной сети и оценок друг друга, а также клинического диагноза пациентов. Через четыре месяца те же записи были снова представлены в перемешанном порядке тем же экспертам. Полученные оценки SWI сравнивались между собой для определения межэкспертной вариабельности. Согласованные оценки, определяемые как среднее значение среди всех экспертов, сравнивались с результатами модели ИИ.
"Эти результаты подтверждают, что правильно обученная модель глубокого обучения может достичь уровня согласованности с аннотациями, который соответствует, а в некоторых отношениях и превосходит согласованность, наблюдаемую среди экспертов-людей", — сказал младший научный сотрудник научно-исследовательской лаборатории "Искусственный интеллект в кардио- и нейронауке" Николай Громов.
