相关实验视频
Updated: Jun 24, 2025
07:37
Assessment and Communication for People with Disorders of Consciousness
Published on: August 1, 2017
9.0K
提高临床医生在使用可解释机器学习对直肠间肠损伤连续的EEG模式进行分类的性能.
Alina Jade Barnett1, Zhicheng Guo2, Jin Jing3
1Computer Science, Duke University, Durham, NC.
NEJM AI
|June 14, 2024
概括
一个可解释的深度学习系统显著提高了重症监护临床医生的脑电图 (EEG) 解释精度. 这种人工智能工具增强了诊断能力和对重症监护室 (ICU) 中大脑活动模式的理解.
科学领域:
- 人工智能在医学中的应用
- 计算神经科学是一种神经科学.
- 临床神经生理学 临床神经生理学
背景情况:
- 重症监护室 (ICU) 使用脑电图 (EEG) 监测重症患者的脑损伤.
- 由于临床医生的可用性有限和主观分析,目前的EEG解释面临挑战,导致变化.
- 黑子深度学习模型缺乏透明度,阻碍了信任和临床采用,尽管有潜在的好处.
研究的目的:
- 开发一个可解释的深度学习系统,用于分类六个关键的EEG模式.
- 为AI预测提供基于案例的解释,以增强临床医生的信任和理解.
- 评估该系统对诊断准确性的影响及其支持尾-尾间损伤连续性假设.
主要方法:
- 开发了一种可解释的深度学习模型,在2711名ICU患者的50,697个EEG样本上进行训练.
- 分类了六个EEG模式:发作,LPD,GPD,LRDA,GRDA和其他,与专家注释的数据.
- 通过将医疗专业人员的诊断准确度与系统进行比较来评估AI协助;使用邻居协议统计和潜伏空间可视化来评估可解释性.
主要成果:
- 人工智能辅助显著提高了平均用户的诊断准确度,从47%提高到71% (P<0.04).
- 该模型在所有类别中实现了高的接收机运行特征曲线 (AUROC) 下的面积,优于黑子模型 (P<0.0001).
- 隐藏空间可视化支持ictal-interictal伤害连续性假设,揭示了EEG模式之间的关系.
结论:
- 可解释的深度学习模型显著提高了临床医生对EEG模式分类的准确性.
- 该系统的可解释设计促进了人与人工智能的协作,有可能改善ICU诊断和患者护理.
- 该模型提供了对EEG模式的洞察力,并支持了ictal-interictal损伤连续性假设.
