Двухкомпонентный компьютерный алгоритм с высокой точностью выявит эпилепсию

Ученые разработали алгоритм, который в разы лучше выявляет эпилепсию на записях ЭЭГ, чем другие автоматизированные методы. Для этого авторы скомбинировали два подхода к анализу сигналов активности мозга — классификатор, не требующий обучения, и обучаемую нейронную сеть. Разработка позволит автоматизировать анализ ЭЭГ и тем самым упростит процесс выявления эпилепсии. Результаты исследования, поддержанного грантом Президентской программы Российского научного фонда, опубликованы в журнале IEEE Access.

Эпилепсия считается одним из самых распространенных неврологических заболеваний: во всем мире ею страдает около 50 миллионов человек. Эпилептические припадки возникают из-за аномальной активности различных участков головного мозга и могут сопровождаться потерей сознания, неконтролируемыми движениями, нарушением зрения и когнитивных способностей. На сегодняшний день врачи довольно успешно борются с эпилепсией — примерно у 70% пациентов с таким диагнозом после медикаментозного лечения или хирургического вмешательства припадки прекращаются. Единственным клиническим методом диагностики эпилепсии служит обнаружение ее электроэнцефалографических биомаркеров — особых паттернов на ЭЭГ пациентов. Выявлять их важно, потому что не все типы эпилепсии сопровождаются судорожными припадками, и поставить диагноз исключительно по внешним симптомам не всегда возможно. Однако это довольно трудоемкий процесс: набор данных для одного пациента может составлять от десятка часов до нескольких суток записи. Кроме того, врачу необходимо отличать сигналы, характерные для эпилепсии, от других видов мозговой активности, что требует серьезной подготовки и продолжительной клинической практики.

Ученые из Балтийского федерального университета имени Иммануила Канта (Калининград), Российского национального исследовательского медицинского университета имени Н.И. Пирогова (Москва) и ООО «Иммерсмед» (Москва) разработали автоматизированный метод для выявления на записях ЭЭГ мозговой активности, соответствующей эпилептическим припадкам. Авторы взяли за основу два подхода к выявлению приступов и объединили их, создав тем самым двухэтапную систему.

В рамках первого этапа простой алгоритм, называемый классификатором и не требующий обучения, выявлял на записях ЭЭГ «выбросы» — сигналы, интенсивность которых выходит за рамки нормальной мозговой активности. Выбросами могут быть как приступы эпилепсии, так и различные внешние шумы, некоторые эпизоды нетипичной активности мозга, например, сонные веретена во время сна пациента. Таким образом, на выходе классификатора получается разметка, которая содержит как истинные эпилептические приступы, так и различные ложные компоненты.

Поэтому далее — на второй стадии — нейронная сеть (более сложный алгоритм на основе машинного обучения) подробнее анализировала записи ЭЭГ, которые были отмечены первым алгоритмом как «подозрительные», и давала заключение, действительно есть ли на ЭЭГ эпилепсия или нет.

Авторы использовали нейросеть сверточного типа, которая часто применяется для анализа изображений. Она рассматривала записи ЭЭГ не как набор сигналов, а как целостное изображение, на котором находила требуемые сигналы. В этом контексте нейронная сеть имитировала работу врача, который в своих поисках эпилептического приступа также анализирует сигналы и спектры на предмет наличия определенных паттернов.

Исследователи протестировали предложенную двухэтапную систему, а также оба ее элемента по отдельности. Для этого использовали записи ЭЭГ, снятые у 83 человек, больных эпилепсией, во время припадков и в спокойном состоянии (при нормальной мозговой активности).

Оказалось, что чувствительность — способность обнаруживать аномальные сигналы на ЭЭГ — классификатора и нейронной сети по отдельности достигает 90% и 96% соответственно. Однако точность этих подходов оказалась довольно низкой — 12% и 13%, и это говорит о том, что алгоритмы путают эпилепсию с другими типами аномальной активности мозга. Двухэтапный подход показал чувствительность 84%, но гораздо более высокую точность — 57% — за счет уменьшения количества ложноположительных результатов. Поэтому он гораздо лучше пригоден для потенциального применения в клинической практике, чем входящие в него подходы по отдельности.

«Полученный результат дает надежду на создание автоматической системы разметки эпилептической ЭЭГ, что позволит существенно снизить рутинную нагрузку по разметке многочасовых записей на врачей-эпилептологов. Предложенная система разметки в настоящее время реализуется в виде программного продукта — онлайнового медицинского сервиса — коллегами из ООО «Иммерсмед» и может найти применение во многих медицинских центрах РФ», — рассказывает руководитель проекта, поддержанного грантом РНФ, Александр Храмов, доктор физико-математических наук, профессор, главный научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта БФУ имени Иммануила Канта.