变压器预测低氧-缺血的时间在期胎儿绵羊脑电图在关键的2小时窗口中中风后
概括
预测新生儿缺氧缺血性脑病变 (HIE) 损伤的时间至关重要. 分析EEG数据的深度学习模型可以准确地估计自缺氧缺血症 (HI) 在关键的前两个小时内受到伤害以来的时间.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 新生儿医学 新生儿医学
背景情况:
- 低氧性缺血性脑病变 (HIE) 的准确时机对于有效治疗至关重要,例如低温症.
- 目前用于确定新生儿受伤开始的方法往往不准确.
- 开发可靠的方法来估计缺氧缺血 (HI) 损伤的时间是一个重要的临床需求.
研究的目的:
- 提供临床前证据,以预测使用EEG数据的深度学习来预测HI伤害后的时间.
- 调查基于变压器的模型在分析EEG段中损伤时间方面的有效性.
- 在新生儿脑电图信号中建立一个潜在的"隐藏时钟",用于HI进展.
主要方法:
- 使用来自受HI.HI.治疗的胎羊的5分钟EEG段.
- 在原始EEG,光谱特征和组合数据上训练Wav2Vec2变压器模型.
- 采用二进制分类来区分EEG段在最初的两小时后HI窗口内或之后.
- 采用leave-one-out交叉验证的验证模型.
主要成果:
- 在原始EEG上训练的变压器模型获得了最高的预测准确度 (89.49%) 和F1得分 (80.82%).
- 模型展示了变压器提取暂时演变的,与损伤相关的EEG模式的能力.
- 所有测试的模型都捕捉到了HI随时间的进展的相关方面,尽管原始EEG表现最好.
- 用高斯噪声增强数据并没有提高预测性能.
结论:
- 临床前发现表明新生儿EEG含有反映HI进展的"隐藏时钟".
- 变压器模型可以有效地预测HI伤害后的时间,在伤害后的早期窗口.
- 经过验证的临床应用可以完善HIE诊断,优化神经保护,并改善新生儿的临床决策.
