سود:
- امکان ایجاد گردش کار هوش مصنوعی در حذف مصنوعات، تشخیص رویداد و استخراج ویژگی در ضبط EEG
- توانایی تشخیص تأثیر نسبت سیگنال به نویز کم و تنوع بالای EEG در تأیید
- توانایی توضیح اینکه خروجی های هوش مصنوعی سیگنال عصبی باید با تایید یک نوروفیزیولوژیست بالینی آزمایش شوند
الکتروانسفالوگرافی (EEG؛ الکتروانسفالوگرافی انگلیسی) ثبت فعالیت الکتریکی مغز با الکترودهایی است که روی پوست سر قرار می گیرند. EEG در طیف گسترده ای از زمینه ها، از تشخیص صرع تا مرحله بندی خواب، از نظارت بر مراقبت های ویژه تا رابط های مغز و کامپیوتر استفاده می شود. اما این سیگنال بسیار چالش برانگیزتر از ECG است: دامنه آن در حد میکروولت (یک میلیونیم ولت) است، به این معنی که تقریباً به اندازه نویز کوچک است. این نسبت سیگنال به نویز پایین (به اختصار SNR؛ قدرت نسبی سیگنال مفید به نویز) باعث می شود EEG برای هوش مصنوعی جذاب و خطرناک باشد. در این بخش، گردش کار EEG، مشکل مصنوعات و چرایی تاییدیه فیزیولوژیست عصبی ضروری است را خواهیم دید.
بیایید از ابتدا بیان کنیم: یک مدل EEG ممکن است بگوید "تشنج ممکن است". اما تشخیص صرع و تفسیر تشنج متعلق به نوروفیزیولوژیست بالینی است. هوش مصنوعی تشخیص نمی دهد.
زنجیره پردازش EEG
مرحله 1 - ثبت نام و مونتاژ. EEG چند کاناله است (معمولاً 19-256 الکترود). قرار دادن الکترودها طبق سفارش استاندارد بین المللی (سیستم 10-20) انجام می شود. سیگنال ها نسبت به الکترودهای مرجع خوانده می شوند. انتخاب نصب بر تفسیر تأثیر می گذارد.
مرحله 2 - استخراج مصنوع. منابع آلاینده های EEG فراوان هستند: پلک زدن و حرکت چشم، فعالیت ماهیچه ای (به ویژه فک و گردن)، ضربان قلب، تعریق، تماس الکترود، و تداخل شبکه. این مصنوعات می توانند امواج مغزی واقعی را تقلید کنند. هوش مصنوعی به پاکسازی بخش های مصنوع از طریق روش هایی مانند پرچم گذاری و تجزیه و تحلیل اجزای مستقل کمک می کند.
مرحله 3 - استخراج ویژگی. EEG معمولا به باندهای فرکانسی تقسیم می شود: دلتا (خواب آهسته، عمیق)، تتا، آلفا (استراحت)، بتا (توجه بیدار) و گاما. نقاط قوت باند، معیارهای اتصال و پاسخ های مرتبط با رویداد به عنوان ویژگی استفاده می شود.
مرحله 4 - تشخیص/طبقه بندی حادثه. این مدل رویدادهایی مانند فعالیت تشنجی، تخلیه موج سنبله یا فاز خواب را پیشنهاد میکند. خروجی علامت ها و تگ های مهر زمانی است.
مرحله 5 - ارزیابی تخصصی علائم به نوروفیزیولوژیست بالینی ارائه می شود. کارشناس تایید، تصحیح یا رد می کند. نظر برای کارشناس است.
چرا تایید EEG بسیار دشوار است؟
سه دلیل EEG را به ویژه شکننده می کند. اول، SNR پایین: سیگنال واقعی در نویز پنهان است، مدل به راحتی می تواند نویز را با یک الگو اشتباه بگیرد. دوم، تنوع بالا: حتی EEG یک شخص با توجه به هوشیاری، دارو و سن متفاوت است. تفاوت بین افراد حتی بیشتر است. سوم، عدم قطعیت مرجع: حتی کارشناسان همیشه در مورد علامت گذاری "استاندارد طلایی" رویدادهایی مانند تشنج (تغییرپذیری بین ناظران) توافق ندارند. هنگامی که این سه با هم ترکیب می شوند، یک الگوی EEG که در آزمایشگاه چشمگیر به نظر می رسد به راحتی در کلینیک واقعی فرو می ریزد.
سه مورد کوچک: با اعداد
مورد 1 - پلک زدن شبیه تشنج است. یک مدل تشخیص تشنج، پلک زدن ریتمیک چشم را با میخها و امواج در نواحی جلویی در یک بیمار کودک اشتباه گرفت و در هر دقیقه چندین سیگنال نادرست تولید کرد. متخصص دید که آثار با کانال های چشم همپوشانی دارند و مصنوع را جدا کردند. مدل علامت را تولید کرد، کارشناس واقعیت را استخراج کرد.
مورد 2 - صرفه جویی در زمان در مرحله خواب. یک آزمایشگاه خواب به صورت دستی ضبط های مرحله ای را در بخش های 30 ثانیه ای در طول شب انجام می دهد. تقریباً 2 ساعت در هر ضبط. پیش مرحلهبندی هوش مصنوعی این زمان را به 35 دقیقه کاهش داد. تکنسین تنها برشها و جابهجاییهایی را بررسی کرد که مدل نامشخص باقی گذاشت. متخصص گزارش مرحله نهایی را تایید کرد.
مورد 3 - کاهش اعتبار خارجی. یک مدل تشخیص تشنج 90 درصد حساسیت را در مرکز توسعه نشان داد. در دادههای جمعآوریشده توسط بیمارستانهای مختلف با الکترود و دستگاه ضبط متفاوت به 68 درصد کاهش یافت. تعداد الکترودها، میزان نمونه برداری و مشخصات بیمار متفاوت بود. این مدل تا زمانی که در هر محیطی که در آن مورد استفاده قرار میگیرد تأیید نشده باشد، قابل اعتماد نیست.
اعلان ضعیف / اعلان قوی
توجه: دستورات زیر برای ویرایش گزارش EEG/متن ویژگی مفید هستند. تفسیر خام EEG کار یک نرم افزار تایید شده و فیزیولوژیست عصبی است.
اعلان ضعیف:
آیا در این نوار مغزی صرع وجود دارد؟[ویژگی ها]
اعلان قدرتمند:
نقش شما: شما یک دستیار تجزیه و تحلیل سیگنال عصبی هستید (شما در حال تشخیص نیستید). ویژگی های خلاصه EEG ناشناس زیر را ارزیابی کنید: - نقاط قوت باند و سیگنال های رویداد را جدول کنید، آنها را تفسیر کنید، اما تشخیص ندهید. - برای هر علامت رویداد، "آیا مصنوع وجود دارد؟" اضافه کردن ستون (چشم/عضله/شبکه).- ابهامات را به وضوح بنویسید. هشدار SNR پایین را اضافه کنید.- در نهایت 3 نکته را که فیزیولوژیست اعصاب باید در ضبط خام تأیید کند فهرست کنید. ویژگی های ناشناس: [نقاط باند، مهرهای زمانی رویداد، اطلاعات کانال]
چهار قالب قابل کپی
1) خلاصه قدرت باند:
قدرت های باند EEG زیر (دلتا، تتا، آلفا، بتا) را جدول کنید و معقول بودن آنها را با حالت بیداری ارزیابی کنید. تشخیص نده داده ها: [مقدار]
2) بررسی امکان مصنوع:
برای هر یک از این نشانهها، احتمال وجود آرتیفکت چشم/عضله/شبکه را کم/متوسط/بالا علامتگذاری کنید و دلیل خود را بنویسید. علائم: [فهرست]
3) QC مرحلهبندی خواب:
در خروجی مرحلهبندی خواب هوش مصنوعی زیر، انتقالهای ناگهانی/غیر محتمل (مانند پرش از REM به خواب عمیق) را علامتگذاری کنید. برش هایی را که به کنترل تکنسین نیاز دارند فهرست کنید. خروجی: [مرحله بندی]
4) طرح تأیید خارجی:
یک پیش نویس طرح اعتبارسنجی خارجی برای یک مدل تشخیص رویداد EEG بنویسید: تعداد دستگاه ها/الکترودهای مختلف، توافق بین ناظر (کاپا)، SNR، و تست های مصنوع. نقاط اعتبار سنجی فردی را علامت گذاری کنید.
نقش مدل: بر اساس نوع وظیفه
نوع وظیفه
سهم هوش مصنوعی
انتقادی بودن
راستی آزمایی
علامت گذاری مصنوع
بالا
پایین
بررسی تخصصی
استخراج باند/ویژگی
بالا
متوسط
قابل قبول بودن فیزیولوژیکی
خواب مرحله بندی کار مقدماتی
بالا
متوسط
تاییدیه کارشناسی
تشخیص قبل از تشنج
متوسط
بالا
فیزیولوژیست اعصاب + ثبت خام
تصمیم تشخیصی
محدود است
بسیار بالا
تاییدیه تخصصی کامل
نکته: قبل از تکیه بر امضای الگو در EEG، همپوشانی زمانی آن سیگنال را با کانال های چشم و ماهیچه بررسی کنید. بسیاری از فعالیت هایی که به نظر می رسد تشنج است در واقع مصنوعات بیولوژیکی هستند.
احتیاط: وقتی مدلهای EEG بر روی دادههای جمعآوریشده از تعداد کمی از بیماران آموزش میبینند، الگوهای خاص فردی را بیش از حد برازش میکنند (به خاطر میسپارند) و در بیماران جدید خراب میشوند. عملکرد بالای آزمایشگاهی تضمینی برای موفقیت واقعی بالینی نیست. اعتبار سنجی خارجی ضروری است.
اشتباهات رایج
- اشتباه گرفتن مصنوع با سیگنال مغزی پلک زدن و فعالیت عضلات شبیه تشنج است. همپوشانی کانال باید بررسی شود.
- نادیده گرفتن SNR پایین سیگنال ضعیف در نویز به راحتی مدل را گمراه می کند.
- تایید در یک مرکز چیدمان دستگاه و الکترود متفاوت عملکرد را کاهش می دهد.
- نادیده گرفتن تغییرپذیری بین ناظران اگر خود مرجع مبهم باشد، معیارهای مدل گمراه کننده هستند.
- حذف کارشناس نشانه ها پشتیبانی هستند. تشنج و تفسیر تشخیص متعلق به متخصص است.
به طور خلاصه
- EEG یک سیگنال میکروولت چند کانالی با SNR کم است. به شدت در برابر مصنوعات حساس است.
- گردش کار شامل مونتاژ، استخراج مصنوع، استخراج ویژگی و تشخیص رویداد است.
- SNR پایین، تنوع بالا و عدم قطعیت مرجع، تأیید را به ویژه دشوار می کند.
- مدلها باید در هر دستگاه و جمعیتی که در آن مورد استفاده قرار میگیرند اعتبارسنجی شوند.
- تشنج و تفسیر تشخیصی متعلق به نوروفیزیولوژیست بالینی است. هوش مصنوعی تشخیص نمی دهد.
وظیفه کاربردی
یک سناریوی تشخیص رویداد EEG فرضی (مثلاً پیش تشخیص تشنج) را انتخاب کنید. پنج امضای رویدادی را که مدل تولید میکند فهرست کنید و برای هر کدام بپرسید: «آیا این میتواند یک مصنوع باشد؟» ستون را پر کنید (چشم/عضله/شبکه/واقعی). سپس سه مورد از یک طرح اعتبار سنجی خارجی را برای این مدل بنویسید و نقطه ای را که کارشناس تصمیم نهایی را می گیرد به وضوح مشخص کنید.
چک لیست
- [ ] می دانم که EEG یک سیگنال SNR کم، چند کاناله و مستعد مصنوع است.
- [ ] من مراحل مونتاژ، استخراج مصنوع، ویژگی و تشخیص رویداد را درک کردم.
- [ ] می توانم ببینم که مصنوعات رویدادها را تقلید می کنند و کنترل همپوشانی کانال را اعمال می کنند.
- [ ] من درک می کنم که چرا اعتبار سنجی خارجی ضروری است و تغییرپذیری بین ناظران را درک می کنم.
- [ ] من درونی کرده ام که تفسیر تشنج و تشخیص با متخصص باقی می ماند.