走向自动化新生儿EEG分析:可靠的深度学习管道的多中心验证
Tim Hermans1, Anneleen Dereymaeker2,3, Katrien Lemmens2,3
1Department of Electrical Engineering (ESAT), STADIUS Center for Dynamical Systems, Signal Processing and Data Analytics, KU Leuven, Leuven, Belgium.
Frontiers in neuroscience
|March 16, 2026
概括
新生儿EEG自动分析工具NeoNaid显示可靠的功能性大脑年龄估计和睡眠阶段. 它的质量控制提高了临床使用和研究的可信度.
科学领域:
- 新生儿神经科学 新生儿神经科学
- 计算神经科学是一种计算神经科学.
- 医学技术 医学技术 医学技术
背景情况:
- 新生儿脑电图 (EEG) 分析对于理解婴儿大脑发育至关重要.
- 需要自动化工具来提高EEG解释的效率和可靠性.
- 功能性大脑年龄 (FBA) 和睡眠阶段是新生儿EEG的关键指标.
研究的目的:
- 评估NeoNaid的可靠性和概括性,NeoNaid是一种自动化新生儿EEG分析工具.
- 评估NeoNaid在功能性大脑年龄估计和睡眠分期方面的表现.
- 为了验证NeoNaid的质量控制机制的临床适用性.
主要方法:
- NeoNaid使用了一种多任务深度学习模型,用于文物检测和不确定性评估的质量控制.
- 该工具处理原始EEG数据以输出全球FBA估计和2状态催眠图.
- 性能在来自不同医院的两个独立数据集上得到验证.
主要成果:
- 质量控制有效地减少了FBA估计中的极端错误,并提高了睡眠分阶段的准确性.
- 在内部和外部数据集上,NeoNaid的FBA绝对误差中位数分别为0.50和0.55周.
- 高科恩的卡帕值 (0.89内部,0.87外部) 获得了安静的睡眠检测.
结论:
- NeoNaid在独立数据集中展示了强大的可靠性和一致的性能.
- 综合质量控制提高了自动化新生儿EEG分析的可靠性.
- 在新生儿重症监护室 (NICU) 实践和大规模研究中,NeoNaid是一个有前途的工具.
