てんかん発作リスク予測のためのマルチスケールトランスフォーマー「SeizureFormer」：RNS由来バイオマーカーを使用

科学分野:

• 生物医学工学
• 医療における人工知能
• 神経学

背景:

• てんかん発作の予測は、特に長期予測において依然として困難です。
• 既存のモデルは、生の脳波（EEG）データに依存することが多く、長期間予測の効果を制限します。
• 応答性神経刺激（RNS）システムは、発作予測を改善する可能性のある貴重なバイオマーカーを生成します。

研究 の 目的:

• SeizureFormer、新しいトランスフォーマーベースのモデルを開発および評価し、長期間（1〜14日）の発作リスク予測を行うこと。
• 予測精度の向上に、応答性神経刺激（RNS）システムから得られる構造化バイオマーカー、特に発作間期てんかん様放電（IEA）および長期間エピソード（LE）を活用すること。
• SeizureFormerのパフォーマンスを既存の統計モデル、古典的な機械学習モデル、およびディープラーニングモデルと比較すること。

主な方法:

• マルチスケールCNNパッチ埋め込み、クロス変数時間畳み込み、およびSqueeze-and-Excitationアテンションを統合したトランスフォーマーベースのディープラーニングモデルであるSeizureFormerを開発しました。
• モデルのトレーニングとテストに、RNSシステムから抽出された構造化バイオマーカー（IEAおよびLE）を使用しました。
• 5人の患者を対象に、1日から14日までの複数の予測ウィンドウにわたってモデルを評価しました。

主要な成果:

• SeizureFormerは、患者および予測ウィンドウ全体で平均ROC AUC 79.44％、平均PR AUC 76.29％を達成し、最先端のパフォーマンスを達成しました。
• 特にクラス不均衡の条件下で、ベースラインモデルと比較して優れた一般化能力を示しました。
• 1日から14日先のてんかん関連イベントを予測することに成功しました。

結論:

• SeizureFormerは、RNSバイオマーカーを使用した長期間の発作リスク予測において大きな進歩をもたらします。
• 短期的な変動と長期的な発作サイクルの両方を捉えるモデルの能力は、予測精度を向上させます。
• この技術により、実行可能な複数日予測が可能になり、てんかん管理における個別化された積極的な介入への道が開かれます。