Индекс спайк-волновой активности (SWI) стал важным количественным
биомаркером при эпилепсии. SWI представляет собой процент времени записи
ЭЭГ, в течение которого наблюдаются паттерны эпилептиформной активности,
и служит объективной мерой эпилептиформной нагрузки. Традиционные методы
расчета SWI включают ручной подсчёт спайков и острых волн за короткий
интервал записи ЭЭГ. Автоматизированный анализ записей ЭЭГ позволит
разработать персонализированные стратегии лечения и объективно
отслеживать эффективность терапии.
Как объясняет старший научный сотрудник научно-исследовательской
лаборатории «Искусственный интеллект в кардио- и нейронауке»
Исследовательского центра в сфере искусственного интеллекта Института
информационных технологий, математики и механики (ИИТММ) ННГУ им. Н.И.
Лобачевского, кандидат биологических наук Альбина Лебедева, ручная
разметка ЭЭГ врачами крайне трудоёмка, а визуальная интерпретация
подвержена значительной вариабельности: даже высококвалифицированные
эксперты часто расходятся во мнениях при оценке одних и тех же записей,
особенно при неоднозначных паттернах. «Нейросеть не устаёт, не теряет
концентрацию и не подвержена субъективным трактовкам. Она выдаёт
стабильный, математически воспроизводимый результат, который в среднем
соответствует консенсусу группы экспертов. Нейросеть выступает как
“неутомимый и беспристрастный второй эксперт”, который размечает данные
с точностью, сопоставимой со средним мнением нескольких врачей, но
делает это мгновенно и одинаково при любых условиях», – подчёркивает
автор исследования.
В работе принял участие большой коллектив авторов, включающий
врачей-эпилептологов из таких университетов Москвы и Нижнего Новгорода,
как Приволжский исследовательский медицинский университет, НИИ педиатрии
и детской хирургии им. Ю.Е. Вельтищева, Российский национальный
исследовательский медицинский университет имени Н.И. Пирогова, а также
разработчиков алгоритмов машинного и глубокого обучения
Исследовательского центра в сфере искусственного интеллекта ННГУ им.
Н.И. Лобачевского. Специалисты Университета Лобачевского занимались
разработкой и адаптацией архитектуры глубокой нейронной сети (1D U-Net)
для задач сегментации одномерных временных рядов (ЭЭГ), проводили
обучение модели, оптимизацию гиперпараметров и комплексное сравнение
результатов автоматической сегментации с оценками медицинских экспертов.
Для обучения была выбрана архитектура 1D U-Net – адаптация классической
U-Net для одномерных последовательных данных, которая обеспечивает
конкурентоспособную общую производительность, а также позволяет получить
вычисляемые по сегментационным маскам оценки SWI, которые хорошо
согласуются с экспертными оценками. Данная архитектура была выбрана
из-за своей способности автоматически выделять признаки, а также
благодаря симметричной структуре с пропускными соединениями, которая
учитывает как локальные особенности, так и глобальный контекст.
Кандидат физико-математических наук, старший научный сотрудник
научно-исследовательской лаборатории «Искусственный интеллект в кардио-
и нейронауке» Исследовательского центра в сфере искусственного
интеллекта ИИТММ Университета Лобачевского Татьяна Леванова
подчёркивает: «Принципиальная новизна нашей работы заключается в
создании и аннотировании собственной базы данных ЭЭГ с привлечением
нескольких независимых экспертов для формирования надёжного “золотого
стандарта”. Нами реализован подход, основанный именно на сегментации –
точном определении границ паттернов во времени, а не на простой бинарной
детекции факта наличия активности. Это позволяет точно количественно
оценить эпилептиформную нагрузку. Также мы провели комплексное сравнение
автоматических аннотаций с оценками экспертов, включая прямой расчёт и
сопоставление индекса спайк-волновой активности».
Набор данных, использованный для исследования, состоял из 51 записи ЭЭГ,
полученной от 45 испытуемых в возрасте от 3 до 13 лет. Он был разделён
на уровне отдельных субъектов на обучающую и тестовую подгруппы.
Тестовая подгруппа включала 10 записей от 10 субъектов и использовалась
для получения и сравнения экспертных оценок SWI. Оставшаяся 41 запись
использовалась для обучения модели сегментации.
Пять экспертов функциональной диагностики с опытом по интерпретации ЭЭГ
не менее пяти лет независимо оценили выбранные 10-минутные сегменты и
оценили SWI. Эксперты не знали результатов работы нейронной сети и
оценок друг друга, а также клинического диагноза пациентов. Через четыре
месяца те же записи были снова представлены в перемешанном порядке тем
же экспертам. Полученные оценки SWI сравнивались между собой для
определения межэкспертной вариабельности. Согласованные оценки,
определяемые как среднее значение среди всех экспертов, сравнивались с
результатами модели ИИ.
«Эти результаты подтверждают, что правильно обученная модель глубокого
обучения может достичь уровня согласованности с аннотациями, который
соответствует, а в некоторых отношениях и превосходит согласованность,
наблюдаемую среди экспертов-людей. Правильно обученная глубокая
нейронная сеть может обеспечить воспроизводимую сегментацию
эпилептиформной активности и оценку SWI с высокой производительностью:
событийные F1‑меры превышают 0,9 у половины пациентов в нашей тестовой
когорте. Автоматический расчёт SWI сильно коррелирует как с эталонными
данными, так и с усреднённым мнением врачей, что подтверждает его
пригодность в качестве количественного биомаркера. Таким образом, мы
разработали инструмент для врачей-эпилептологов, который может служить
объективной, масштабируемой альтернативой субъективной ручной
аннотации», – говорит младший научный сотрудник научно-исследовательской
лаборатории «Искусственный интеллект в кардио- и нейронауке»
Исследовательского центра в сфере искусственного интеллекта ИИТММ ННГУ
Николай Громов.
«Синтез компетенций в области искусственного интеллекта и клинической
медицины позволяет Университету Лобачевского создавать востребованные
технологические решения. Разработанный нашими учёными алгоритм анализа
ЭЭГ поможет обеспечить высокую точность диагностики и откроет новые
горизонты персонализированной медицинской помощи», – подчёркивает ректор
ННГУ им. Н.И. Лобачевского Олег Трофимов.
Работа выполнена при поддержке Министерства экономического
развития Российской Федерации и опубликована в журнале MDPI
Technologies.
Источник: пресс-служба ННГУ.
