Прибыль:
- Возможность создать рабочий процесс искусственного интеллекта для удаления артефактов, обнаружения событий и извлечения признаков из записей ЭЭГ.
- Способность распознавать влияние низкого отношения сигнал/шум ЭЭГ и высокой вариабельности на верификацию.
- Способность объяснить, что выходные сигналы нейросигналов ИИ следует тестировать с одобрения клинического нейрофизиолога.
Электроэнцефалография (ЭЭГ; англ. электроэнцефалография) — регистрация электрической активности головного мозга с помощью электродов, помещенных на кожу головы. ЭЭГ используется в самых разных областях: от диагностики эпилепсии до определения стадий сна, от мониторинга интенсивной терапии до интерфейсов «мозг-компьютер». Но это гораздо более сложный сигнал, чем ЭКГ: его амплитуда порядка микровольт (одна миллионная доля вольта), то есть он почти так же мал, как шум. Такое низкое соотношение сигнал/шум (сокращенно SNR; относительная сила полезного сигнала к шуму) делает ЭЭГ одновременно привлекательной и опасной для искусственного интеллекта. В этом разделе мы увидим рабочий процесс ЭЭГ, проблему артефактов и то, почему необходимо одобрение нейрофизиолога.
Скажем с самого начала: модель ЭЭГ может говорить: «припадок возможен»; Однако диагностика эпилепсии и интерпретация приступов принадлежат клиническому нейрофизиологу. Искусственный интеллект не ставит диагноз.
Цепочка обработки ЭЭГ
Шаг 1 — Регистрация и сборка. ЭЭГ многоканальная (обычно 19–256 электродов). Размещение электродов производится по международному стандарту (система 10-20). Сигналы считываются относительно эталонных электродов; Выбор крепления влияет на интерпретацию.
Шаг 2 — Извлечение артефакта. Источники загрязнения ЭЭГ многочисленны: моргание и движение глаз, мышечная активность (особенно челюсти и шеи), сердцебиение, потоотделение, контакт электродов и помехи в сети. Эти артефакты могут имитировать настоящие мозговые волны. Искусственный интеллект помогает очистить артефактные сегменты с помощью таких методов, как маркировка и независимый анализ компонентов.
Шаг 3 — Извлечение признаков. ЭЭГ обычно делят на частотные диапазоны: дельта (медленный, глубокий сон), тета, альфа (покой), бета (внимание бодрствования) и гамма. В качестве функций используются мощности полос, меры связности и реакции, связанные с событиями.
Шаг 4. Обнаружение/классификация инцидентов. Модель предполагает такие события, как судорожная активность, спайк-волновой разряд или фаза сна. Выходные данные представляют собой метки и теги с отметками времени.
Шаг 5 — Экспертная оценка. Признаки предъявляются клиническому нейрофизиологу; Эксперт подтверждает, исправляет или отвергает. Комментарий для эксперта.
Почему верификация ЭЭГ так сложна?
Три причины делают ЭЭГ особенно хрупкой. Во-первых, низкое соотношение сигнал/шум: реальный сигнал скрыт в шуме, модель может легко принять шум за закономерность. Во-вторых, высокая вариабельность: ЭЭГ даже одного и того же человека варьируется в зависимости от бдительности, приема лекарств и возраста; Разница между людьми еще больше. В-третьих, эталонная неопределенность: даже эксперты не всегда согласны с «золотым стандартом» обозначения таких событий, как судороги (вариабельность между наблюдателями). Когда эти три фактора объединены, картина ЭЭГ, которая выглядит впечатляюще в лаборатории, легко разрушается в реальной клинике.
Три мини-кейса: в цифрах
Случай 1. Мигание имитировало припадок. Модель обнаружения припадков приняла ритмичное моргание глаз за спайки и волны в лобных областях пациента-ребенка, производя несколько ложных сигналов в минуту. Специалист увидел, что следы перекрывали глазные каналы и отделили артефакт. Модель производила знак, эксперт извлекал реальность.
Случай 2. Экономия времени при фазировании сна. Лаборатория сна вручную поэтапно записывала записи 30-секундными сегментами в течение ночи; Примерно 2 часа на запись. Предварительная подготовка ИИ сократила это время до 35 минут; техник исследовал только те срезы и переходы, которые модель оставила неясными. Специалист утвердил окончательный отчет о постановке.
Случай 3 — Отказ от внешней проверки. Модель обнаружения припадков показала чувствительность 90% в центре, где она была разработана; По данным, собранным в другой больнице с другим электродом и записывающим устройством, этот показатель снизился до 68%. Количество электродов, частота отбора проб и профиль пациента различались. Модель не может считаться надежной до тех пор, пока она не будет повторно проверена в каждой среде, в которой она будет использоваться.
Слабая подсказка/Сильная подсказка
Примечание. Следующие подсказки полезны при редактировании отчета/текста ЭЭГ; Интерпретация необработанных ЭЭГ — это работа проверенного программного обеспечения и нейрофизиолога.
Слабая подсказка:
Есть ли на этой ЭЭГ эпилепсия? [особенности]
Мощная подсказка:
Ваша роль: Вы ассистент по анализу нейросигналов (ВЫ НЕ ДИАГНОЗ). Оцените следующие анонимные сводные характеристики ЭЭГ: - Составьте таблицы мощности полос и сигналов событий, интерпретируйте их, но не ставьте диагноз. - Для каждого события знак "Может ли быть артефакт?" добавить столбец (глаз/мышцы/сетка). – Четко пишите двусмысленности; добавьте предупреждение о низком SNR. Наконец, перечислите 3 пункта, которые нейрофизиолог должен подтвердить в необработанной записи. Анонимные функции: [мощность полосы, временные метки событий, информация о канале]
Четыре копируемых шаблона
1) Сводная информация о силе группы:
Составьте таблицу мощности следующих диапазонов ЭЭГ (дельта, тета, альфа, бета) и оцените их достоверность в состоянии бодрствования. Не ставьте диагноз. Данные: [значения]
2) Проверка возможности артефакта:
Для каждого из этих признаков отметьте вероятность артефакта глаз/мышц/сетей как низкую/среднюю/высокую и напишите свое обоснование. Признаки: [список]
3) Контроль качества сна:
Отметьте внезапные/маловероятные переходы (например, переход от быстрого сна к глубокому сну) в выходных данных этапа сна AI ниже; Список фрагментов, требующих технического контроля. Выходные данные: [постановка]
4) План внешней проверки:
Напишите проект плана внешней проверки модели обнаружения событий ЭЭГ: различное количество устройств/электродов, соглашение между наблюдателями (каппа), SNR и тесты на артефакты. Отметьте отдельные точки проверки.
Роль модели: по типу задачи
Тип задачи
Вклад ИИ
критичность
проверка
Маркировка артефактов
высокий
низкий
Экспертный обзор
Извлечение полосы/функции
высокий
средний
физиологическая правдоподобность
Предварительная работа по постановке сна
высокий
средний
Экспертное одобрение
Предварительное обнаружение
средний
высокий
Нейрофизиолог + необработанная запись
диагностическое решение
ограниченный
очень высокий
Полное экспертное одобрение
Совет: прежде чем полагаться на характерную сигнатуру ЭЭГ, проверьте временное перекрытие этого сигнала с глазными и мышечными каналами. Большая часть активности, которая выглядит как припадок, на самом деле является биологическим артефактом.
Внимание: когда модели ЭЭГ обучаются на данных, собранных у небольшого числа пациентов, они переобучаются (запоминаются) индивидуальными паттернами и дают сбой у новых пациентов. Высокая производительность лаборатории не является гарантией истинного клинического успеха; внешняя проверка имеет важное значение.
Распространенные ошибки
- Принимаем артефакт за сигнал мозга. Моргание глаз и мышечная активность имитируют припадок; Необходимо проверить перекрытие каналов.
- Игнорирование низкого SNR. Слабый сигнал в шуме легко вводит модель в заблуждение.
- Проверка в одном центре. Различное расположение устройств и электродов снижает производительность.
- Игнорирование изменчивости между наблюдателями. Метрики модели вводят в заблуждение, если сама ссылка неоднозначна.
- Устранение эксперта. Знаки – поддержка; Выемка и интерпретация диагноза принадлежит специалисту.
В заключение
- ЭЭГ представляет собой многоканальный микровольтовый сигнал с низким соотношением сигнал/шум; Он чрезвычайно чувствителен к артефактам.
- Рабочий процесс состоит из сборки, извлечения артефактов, извлечения функций и обнаружения событий.
- Низкое отношение сигнал/шум, высокая изменчивость и эталонная неопределенность делают проверку особенно сложной.
- Модели должны быть повторно проверены для каждого устройства и популяции, в которой они будут использоваться.
- Выемка и диагностическая интерпретация принадлежат клиническому нейрофизиологу; ИИ не ставит диагноз.
Задача приложения
Выберите гипотетический сценарий обнаружения событий ЭЭГ (например, предварительное обнаружение приступов). Перечислите пять сигнатур событий, которые создает модель, и задайте для каждой из них вопрос: «Может ли это быть артефактом?» заполните столбец (глаз/мышцы/сетка/реальный). Затем напишите три пункта плана внешней валидации этой модели и четко отметьте момент, в котором эксперт принимает окончательное решение.
контрольный список
- [ ] Я знаю, что ЭЭГ — это многоканальный сигнал с низким соотношением сигнал/шум и склонный к артефактам.
- [ ] Я понял этапы рабочего процесса сборки, извлечения артефактов, обнаружения функций и событий.
- [ ] Я вижу, что артефакты имитируют события и применяют контроль перекрытия каналов.
- [ ] Я понимаю, почему важна внешняя проверка, и я понимаю изменчивость результатов между наблюдателями.
- [ ] Я усвоил, что интерпретация приступов и диагноз остается за специалистом.