使用LLM进行可概括的扣押预测:将EEG转换为文字表示

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 基于头皮脑电图 (EEG) 的发作预测显示出希望,但面临的挑战是患者异质性和不同的道设置.
• 现有的模型因个人差异和中心数据采集不一致而难以通用.
• 开发强大而适应性的预测模型对于临床应用至关重要.

研究的目的:

• 提出一种基于大型语言模型 (LLM) 的新型预测方法,以提高模型的通用性和适用性.
• 解决当前预测算法中患者异质性和多种道设置的局限性.
• 利用LLM的跨领域知识和时间依赖性捕获能力,以改进EEG分析.

主要方法:

• 通过使用单通道预训练策略将EEG信号转换为文本表示来重编程大型语言模型 (LLM).
• 通过交叉注意力机制,通过文本和EEG数据整合跨领域的知识.
• 使用自回归式预训练的LLM来捕捉EEG信号中的时间依赖性,以预测发作.

主要成果:

• 基于LLM (SPLLM) 提出的预测方法显著提高了模型的通用性和适用性.
• 与现有方法相比,SPLLM在AUC中平均增加了8.2%,在多个数据集中均衡准确度增加了8.4%.
• 该方法有效地减轻了患者的异质性,并适应了各种道设置,提高了跨患者预测的准确性.

结论:

• 通过提高跨患者准确性和适应不同数据集的能力,SPLLM方法为临床预测提供了一个可扩展的解决方案.
• 将LLM纳入EEG分析,代表了预测技术的重大进步.
• 提出的方法克服了现有方法的关键局限性,为更可靠的扣押预测系统铺平了道路.