一个混合人工智能系统用于自动化EEG背景分析和报告生成

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学信号处理

背景情况:

• 电脑电图 (EEG) 对于诊断神经疾病至关重要,但手动解释容易出现错误,特别是在资源不足的设施.
• 在小型医院和诊所缺乏先进的EEG分析系统导致误解.
• 自动翻译可以提高诊断准确性和可访问性.

研究的目的:

• 开发和验证用于自动EEG解释和报告生成的混合人工智能 (AI) 系统.
• 在资源有限的环境中提高EEG分析的准确性.
• 帮助神经科医生更有效地诊断神经系统疾病.

主要方法:

• 一个混合的人工智能系统,将深度学习用于后主导节奏 (PDR) 预测和文物移除,与专家算法用于异常检测.
• 集体深度学习模型在1530个标记的EEG上进行了训练,用于PDR预测.
• 大型语言模型 (LLM) 用于自动化报告生成.

主要成果:

• 人工智能系统在PDR预测中实现了高准确性 (例如,在0.6 Hz误差范围内达到91.8%).
• 人工智能系统在检测通用背景减速时显著超过神经学家 (F1:0.93对比0.82).
• 人工智能在内部和外部数据集 (F1:0.884和0.835) 上表现一致,基于LLM的报告实现了100%的准确性.

结论:

• 混合人工智能系统为EEG解释提供了一个可扩展和准确的解决方案,特别有利于资源有限的设置.
• 这种人工智能工具可以帮助神经科医生,提高诊断准确度,减少误诊率.
• 自动化EEG分析具有显著的潜力,可以改善全球的神经治疗.