使用深度学习改善常规EEG诊断的诊断准确度.
Émile Lemoine1,2,3, Denahin Toffa1,3, An Qi Xu3
1Department of Neuroscience, Université de Montréal, Montréal, Canada, H3T 1J4.
Brain communications
|September 11, 2025
概括
一个新的深度学习模型,DeepEpilepsy,可以从常规电脑电图 (EEG) 记录中识别. 这种人工智能方法在改善的诊断方面表现有前途,超出了传统方法.
科学领域:
- 神经学 神经学
- 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:
- 常规电脑电图 (EEG) 对的诊断敏感性有限.
- 间接性发性泄露 (IED) 可能被误解,影响诊断准确度.
研究的目的:
- 从原始EEG数据开发和验证一种用于从原始EEG数据识别的深度学习模型.
- 将模型的性能与传统的IED解释和现有的机器学习方法进行比较.
主要方法:
- 追溯队列研究,包括846名患者的948个EEG.
- 开发七种深度学习模型,包括视觉转换器和卷积神经网络.
- 用于评估诊断准确性的时间验证队列.
主要成果:
- 视觉转换器模型,DeepEpilepsy,实现了0.76的AUC,超过了IED解释 (AUC0.69).
- 将DeepEpilepsy与IED相结合,进一步提高了性能,AUC为0.83.
- DeepEpilepsy独立于IEDs识别了,这表明检测了新的EEG模式.
结论:
- 像DeepEpilepsy这样的深度学习模型可以从常规EEG中加强的诊断.
- 该模型独立于IED检测的能力突出显示了发现新的诊断生物标志物的潜力.
- 需要进一步的研究来阐明检测到的EEG模式并评估临床效用.
