在短期和长期时间尺度上在EEG中专家级探测的标志物
J Li1,2,3, D M Goldenholz2,3, M Alkofer2,3,4
1National Institute of Health Data Science, Peking University, Beijing.
NEJM AI
|July 21, 2025
概括
人工智能模型SpikeNet2准确地检测EEG记录中的峰,减少虚假阳性,以便更好地临床使用. 它在事件和EEG分类方面都在专家级别执行.
科学领域:
- 人工智能在医学中的应用
- 神经科学是一个神经科学.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 电脑电图 (EEG) 中的状放电 (尖峰) 对于的诊断和发作局部化至关重要.
- 当前的人工智能模型在与文物相关的假阳性和有限的分类范围 (事件或EEG层次) 中扎.
研究的目的:
- 开发和评估SpikeNet2,这是一种用于自动检测和分类EEG尖峰的新型深度学习模型.
- 通过减少错误阳性和提高临床效用来提高AI模型的稳定性.
主要方法:
- 开发了SpikeNet2,这是一个基于残余网络的深度学习模型,包含了硬负挖矿.
- 分析了来自多个机构 (MGB,HEP,SAI) 的13523名患者的17812个EEG记录.
- 使用AUROC,AUPRC,校准错误和mAUC评估性能,并进行外部数据集验证.
主要成果:
- 在事件级峰值检测 (AUROC 0.973,AUPRC 0.995) 和EEG级分类 (AUROC 0.958,AUPRC 0.959) 中,SpikeNet2实现了高性能.
- 在外部数据集上展示了强大的概括性 (HEP:AUROC 0.942,AUPRC 0.948;SAI:AUROC 0.995,AUPRC 0.991).
- 显著减少了假阳性,平均每小时9个峰值.
结论:
- 在事件级峰值检测和EEG级分类方面,SpikeNet2实现了专家级准确性.
- 该模型的双重功能和减少假阳性增加了其在诊断中的临床实用性.
- 在临床和远程医疗应用中,SpikeNet2是一个有前途的工具,特别是在资源有限的环境中.
更多相关视频
10:23Equipment Setup and Artifact Removal for Simultaneous Electroencephalogram and Functional Magnetic Resonance Imaging for Clinical Review in Epilepsy
Published on: June 23, 2023
2.1K
05:58Application of an Amplitude-integrated EEG Monitor Cerebral Function Monitor to Neonates
Published on: September 6, 2017
39.3K
