专家和深度学习模型识别iEEG发作和发作发作时间

科学领域:

• 计算神经科学是一种神经科学.
• 医疗信息学 医疗信息学
• 的研究研究.

背景情况:

• 对长期内脑电图 (iEEG) 记录进行手动分析是耗时且主观的.
• NeuroPace RNS系统产生了大量的iEEG数据,需要高效的处理来检测发作.
• 之前开发的卷积神经网络电图发作分类器 (ESC) 模型显示出有希望的结果.

研究的目的:

• 评估ESC模型在对专家注释进行扣押和非扣押iEEG活动的分类方面的表现.
• 评估ESC模型是否能够反映审查员在扣押分类中的确定性.
• 开发和验证一种发作检测 (SOD) 模型,使用ESC模型作为改善发作时间预测的基础.

主要方法:

• 经过测试,ESC模型与三位认证的专家评审人员的iEEG注释相对应,这些评审人员遍及中 (MTL) 和新皮层 (NEO) 区域.
• 计算了ESC模型与审稿人之间的协议得分,以及审稿人之间的协议.
• 作为SOD模型的预训练模型,ESC模型被用作SOD模型的预训练模型,并进行了涉及增强数据和不同初始化方法的微调实验.

主要成果:

• 欧洲经济委员会模型与专家评审者达成高度一致 (84.3%89.6%),相当于与评审者之间达成一致 (86.4%92.9%).
• 在专家完全达成共识的道上,ESC模型显示93.2%的同意率,其确定性得分与同意的专家数量相关联.
• 与从头开始训练或使用其他初始化相比,微调SOD模型以ESC权重和增强数据显著提高了性能 (3.1秒的中位数绝对误差).

结论:

• 该ESC模型在分类电图发作方面表现出强大而可靠的性能,与人类专家相似.
• 该ESC模型作为一个有效的起点,用于开发先进的发作检测工具,如SOD模型.
• 人工智能驱动的工具可以显著提高iEEG数据分析在管理中的效率和准确性.