缩放卷积神经网络可以在新生儿EEG中实现专家级的发作检测
Robert Hogan1, Sean R Mathieson2,3, Aurel Luca2
1CergenX Ltd, Dublin, Ireland. rhogan@cergenx.com.
NPJ digital medicine
|January 8, 2025
概括
我们开发了一个人工智能模型,使用脑电图 (EEG) 数据检测新生儿发作. 该模型实现了专家级别的性能,改善了新生儿的早期诊断和治疗.
科学领域:
- 生物医学工程 生物医学工程
- 新生儿神经病学 新生儿神经病学
- 人工智能在医学中的应用
背景情况:
- 新生儿发作是重要的医疗事件,通常在没有专门的脑电图 (EEG) 监测的情况下错过.
- 早期检测和干预对于改善受影响婴儿的结果至关重要.
研究的目的:
- 为新生儿EEG数据开发和验证一个强大的发作检测模型.
- 评估模型的性能与专家临床医生和既定基准相比.
主要方法:
- 一个卷积神经网络被训练了超过5万小时的注释新生儿EEG数据,包括12402次发作事件.
- 模型性能使用马修斯相关系数 (MCC),皮尔森相关性 (r) 和曲线下的面积 (AUC) 来评估.
- 在两个独立的数据集上进行了验证,将模型性能与人类专家之间的评审者间协议进行了比较.
主要成果:
- 增加数据和模型大小显著提高了检测性能 (MCC增加了多达50%).
- 最大的模型 (2100万个参数) 在开放式数据集 (MCC=0.764,r=0.824,AUC=0.982) 上取得了最先进的结果.
- 该模型在验证集上展示了专家级别的性能,在取代人类专家时,协议没有显著差异.
结论:
- 开发的AI模型提供了一种可靠和准确的方法,用于从EEG数据中检测新生儿发作.
- 这项技术有可能提高诊断能力,实现及时治疗和改善患者的治疗结果.
- 该模型的专家级性能代表了新生儿自动发作检测的重大进步.
