评估人工智能在基于EEG的诊断中的临床准备
Jeet Bandhu Lahiri1, Puneet Agarwal2, Suman Kushwaha3
1School of Computing and Electrical Engineering, Indian Institute of Technology Mandi, Mandi, Himachal Pradesh, India.
Journal of neural engineering
|December 2, 2025
概括
使用脑电图 (EEG) 诊断的人工智能 (AI) 显示出由于数据泄露和过度装配而导致现实世界的表现不佳. 严格的验证对于临床实践中可靠的AI工具至关重要.
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:
- 基于脑电图 (EEG) 的自动诊断人工智能模型在基准数据集上报告了高准确度.
- 然而,这些系统在日常临床护理中表现有限,这表明存在很大的差距.
研究的目的:
- 批判性地重新检查人工智能的翻译差距,以诊断.
- 评估广泛引用的AI模型从基准数据集到新的,经过临床验证的头皮-EEG队列的概括性.
- 调查主体级数据泄露对模型性能的影响.
主要方法:
- 再现了五个引用的AI模型 (统计,经典ML,深度学习).
- 在基准数据集上使用十倍交叉验证训练模型.
- 在一个新整理的19通道头皮EEG数据集 (30个受试者) 上进行了外部验证.
- 检查的性能与没有主体级数据重叠.
主要成果:
- 与基准性能 (>=94%) 相比,外部验证的准确性明显下降 (42%-53%).
- 深度学习模型显示了最急剧的下降,表明过度适应特定主题的文物.
- 严格的患者独立验证降低了准确性,突出了数据泄露和获取偏差的问题.
结论:
- 关键的翻译障碍包括数据泄露,获取偏差和过度适应患者特征.
- 人工智能性能严重侵蚀临床数据.
- 严格的患者独立验证,透明报告和精心策划的数据集对于临床可靠的AI工具至关重要.
更多相关视频
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
3.4K
09:00Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex
Published on: April 15, 2015
12.8K
