使用深度神经网络检测接触间放电的专家级别

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:

• 深度学习显示出对自动化电脑图 (EEG) 分析的前景.
• 间接性发性排泄 (IED) 是诊断的关键生物标志物.
• 自动检测IED可以提高EEG解释的效率和一致性.

研究的目的:

• 将用于IED检测的深度神经网络 (DNN) 的性能与临床专家进行比较.
• 评估DNN在常规临床实践中的潜在适用性.
• 在内部和外部数据集上验证DNN的性能.

主要方法:

• 内部验证涉及将DNN IED检测与当地数据集上的七名专家进行比较.
• 外部验证利用来自四个中心的数据,采用混合方法,对DNN检测进行专家审查.
• 使用诸如灵敏度,特异性,错误检测率和一致系数 (科恩的 κ,弗莱斯的 κ) 等指标来评估性能.

主要成果:

• 对于个别IED检测,DNN实现了82.5%的灵敏度和99%的特异性,超过了Persyst软件的性能.
• 内部验证显示,DNN的表现与EEG水平的专家表现相似.
• 外部验证表明与原始报告有实质性的一致性 (科恩 κ = .62),不同意见往往归因于专家之间高度的观察者间变异性.

结论:

• 开发的深度神经网络在从EEG数据中检测IED方面表现出专家级别的性能.
• 混合外部验证方法证实了实质性的协议,突出了DNN的临床潜力.
• DNN可以作为一个有价值的工具来支持EEG分析和诊断,特别是在资源有限的环境中.