Ученые ННГУ имени Н.И. Лобачевского обучили нейросеть выявлять эпилепсию
Разработка позволит автоматизировать рутинный ручной анализ для постановки диагноза «эпилепсия»
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 подсчет 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 имени Н.И. Лобачевского, кандидат биологических наук Альбина Лебедева, ручная разметка ЭЭГ врачами крайне трудоемка, 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 устает, не теряет концентрацию и не подвержена субъективным трактовкам. Она выдает 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», – подчеркивает 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 имени 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 имени 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 подчеркивает: «Принципиальная новизна нашей работы заключается в создании и аннотировании собственной базы данных ЭЭГ с привлечением нескольких независимых экспертов для формирования надежного «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 расчет 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 разделен 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 расчет SWI сильно коррелирует как с эталонными данными, так и с усредненным 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 учеными алгоритм анализа ЭЭГ поможет обеспечить высокую точность диагностики и откроет новые горизонты персонализированной медицинской помощи», – прокомментировал ректор ННГУ имени Н.И. Лобачевского Олег Трофимов.
Данная работа выполнена при поддержке Министерства экономического развития Российской Федерации и опубликована в журнале MDPI Technologies.
Фото: пресс-служба ННГУ имени Н.И. Лобачевского. На фото – пример разметки эпиактивности в данных ЭЭГ.