使用人工智能对临床脑电图的自动解释

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 电脑电图 (EEG) 对于神经诊断至关重要,但需要专门的专业知识.
• 现有的AI模型提供有限的EEG解释能力.
• 临床实践需要一个全面的,自动化的EEG解释工具.

研究的目的:

• 开发和验证SCORE-AI (标准化基于计算机的EEG人工智能组织报告) 模型.
• 为了使人工智能驱动的EEG记录分类到正常/异常和特定异常类别.

主要方法:

• 一个卷积神经网络 (SCORE-AI) 是使用30493个常规EEG记录来开发的.
• 该模型在三个独立的数据集上得到验证,共计10,145个EEG.
• 绩效是根据专家解释和外部基准来评估的.

主要成果:

• 在对EEG异常进行分类时,SCORE-AI表现出高准确度 (AUC 0.89-0.96).
• 人工智能模型的表现与人类专家的表现相当.
• 在检测形异常方面,SCORE-AI显著优于之前的三种AI模型.

结论:

• SCORE-AI实现了人类水平的性能,用于完全自动化的常规EEG解释.
• 这种人工智能应用程序可以提高诊断准确性和患者护理,特别是在资源有限的环境中.
• SCORE-AI有可能提高中心的效率和一致性.