Ключевые результаты
Исследователи разработали и оценили метод обнаружения эпилептических приступов на основе глубокого обучения, способный выявлять и классифицировать различные типы приступов в режиме реального времени по записям ЭЭГ у детей. Модель на основе ResNet с Long-Short Term Network показала высокую эффективность с площадью под ROC-кривой (AUROC) 0,98 и точностью прогнозирования (APROC) 0,73 при использовании скользящего окна в 12 секунд для обнаружения приступов в реальном времени. Для задачи мультиклассовой классификации типов приступов ResNet50 продемонстрировала еще более высокие показатели: AUROC 0,99 и APPRC 0,99.
Методология
Исследование проведено ретроспективно с использованием записей ЭЭГ пациентов в возрасте от 3 месяцев до 18 лет, проходивших обследование в Детской больнице Северанс (Severance Children's Hospital) с января 2018 по декабрь 2022 года. В исследование включены данные 199 пациентов с 620 зарегистрированными приступами, распределенными по следующим группам:
- Детская абсансная эпилепсия: 49 пациентов (297 приступов)
- Синдром инфантильных эпилептических спазмов: 16 пациентов (200 приступов)
- Другие генерализованные эпилепсии: 14 пациентов (76 приступов)
- Фокальная эпилепсия: 19 пациентов (47 приступов)
- Контрольная группа без эпилепсии: 101 пациент
Записи ЭЭГ были понижены до частоты дискретизации 200 Гц для обеспечения анализа в режиме реального времени. Исследователи применили несколько архитектур глубокого обучения и оценили их эффективность как для бинарной задачи (наличие/отсутствие приступа), так и для мультиклассовой классификации типов приступов.
Клиническое значение
Разработанная система может значительно улучшить мониторинг эпилептических приступов у детей в клинической практике. Возможность обнаружения и классификации различных типов приступов в режиме реального времени особенно важна в педиатрической эпилептологии, где раннее выявление и точная классификация приступов критичны для эффективного лечения.
Данный подход предлагает надежные методы предварительной обработки ЭЭГ с обнаружением и классификацией нескольких типов приступов в реальном времени, что может значительно улучшить мониторинг педиатрических пациентов с эпилепсией.
Такие автоматизированные системы могут помочь врачам в условиях ограниченных ресурсов, когда постоянный экспертный анализ ЭЭГ невозможен, а также снизить субъективность при интерпретации записей.
Выводы
Результаты исследования демонстрируют, что методы глубокого обучения могут эффективно применяться для обнаружения и классификации эпилептических приступов в реальном времени на основе клинических данных ЭЭГ из педиатрического эпилептологического отделения с высокой производительностью и скоростью.
Предложенный подход показывает реалистичные результаты, которые могут быть интегрированы в повседневную клиническую практику. Дальнейшие исследования могут быть направлены на проспективную валидацию метода в многоцентровых исследованиях и оптимизацию алгоритмов для улучшения чувствительности и специфичности при различных типах эпилептических приступов.