Յեսպեր Տվեյթ,
Հարալդ Օրլիեն,
Սերգեյ Պլիս և ուրիշներ

JAMA Neurology 2023 Aug 1, Volume 80, Number 8, p805-812

Հնարավո՞ր է արդյոք արհեստական ​​ինտելեկտի (AI) մոդել վարժեցնել ստանդարտ կլինիկական էլեկտրաէնցեֆալոգրամները (EEGs) մեկնաբանելու համար մարդկային փորձագետներին համարժեք ճշգրտությամբ:

Այս ախտորոշիչ հետազոտության ընթացքում արհեստական ​​ինտելեկտի մոդելը (SCORE-AI) ուսուցանվել է 30493 EEG-ների վրա՝ սկզբում տարանջատելու նորմալ EEG-ները աննորմալից, այնուհետև դասակարգելու աննորմալ EEG-ները՝ որպես. կիզակետային ոչ էպիլեպտիկ փոփոխություններ և ԷԷԳ ցրված ոչ էպիլեպտիֆորմ փոփոխություններով: SCORE-AI-ը վավերացվել է՝ օգտագործելով երեք անկախ տվյալների հավաքածուներ, որոնք բաղկացած են 9945 EEG-ներից, որոնք չեն օգտագործվում վերապատրաստման համար. SCORE-AI-ն կարողացավ հասնել մասնագետի նման ախտորոշման ճշգրտության:

Այս հետազոտության արդյունքները ցույց են տալիս, որ SCORE-AI-ի կիրառումը կարող է օգնել բարելավել հիվանդների խնամքի որակը այն ոլորտներում, որտեղ փորձագիտական ​​EEG ընթերցանության հմտությունները մատչելի չեն, ինչպես նաև բարելավել մասնագիտացված կենտրոններում EEG մեկնաբանության արդյունավետությունն ու հետևողականությունը:

Համապատասխանություն

Էլեկտրոէնցեֆալոգրաֆիան նյարդաբանության մեջ շատ կարևոր հետազոտական ​​մեթոդ է։ Էլեկտրաուղեղագրության մեկնաբանման համար անհրաժեշտ են համապատասխան գիտելիքներ և հմտություններ ունեցող մասնագետներ, ինչը, ցավոք, հասանելի չէ աշխարհի շատ երկրներում: AI-ն ունի այս կարիքները բավարարելու ներուժ: Նախկինում մշակված AI մոդելներն անդրադառնում են ԷԷԳ-ի մեկնաբանման միայն սահմանափակ ասպեկտներին, ինչպիսիք են աննորմալ ԷԷԳ-ն սովորականից տարբերելը կամ էպիլեպտիկ ակտիվության բացահայտումը: Ստանդարտ EEG-ի համապարփակ, լիովին ավտոմատացված մեկնաբանության կարիք կա՝ հիմնված արհեստական ​​ինտելեկտի վրա, որը հարմար կլինի կլինիկական պրակտիկայի համար:

Թիրախ

Մշակել և վավերացնել արհեստական ​​ինտելեկտի մոդելը (Ստանդարտացված համակարգչի վրա հիմնված EEG-ի կազմակերպված հաշվետվություն — Արհեստական ​​ինտելեկտ [SCORE-AI])՝ աննորմալ ԷԷԳ-ները նորմալից տարբերելու և աննորմալ ԷԷԳ-ները դասակարգելու ունակությամբ կլինիկական որոշումների կայացման համար կարևոր կատեգորիաների. էպիլեպտիֆորմային ակտիվություն, EEG ընդհանրացված էպիլեպտիֆորմ ակտիվությամբ, EEG կիզակետային ոչ էպիլեպտիֆորմ փոփոխություններով և EEG ցրված ոչ էպիլեպտիֆորմ փոփոխություններով:

Ուսումնասիրության ձևավորում

Այս բազմակենտրոն ախտորոշիչ ճշտության ուսումնասիրության մեջ SCORE-AI կոնվոլյուցիոն նեյրոնային ցանցի մոդելը մշակվել և վավերացվել է 2014-ից 2020 թվականներին գրանցված EEG-ների միջոցով: Տվյալները վերլուծվել են 2022 թվականի հունվարի 17-ից մինչև 2022 թվականի նոյեմբերի 14-ը։ Ընդհանուր առմամբ 30,493 հիվանդի գրառումներ, որոնք ուղարկվել են EEG-ի համար, ներառվել են զարգացման տվյալների բազայում՝ ծանոթագրված 17 փորձագետների կողմից: Զարգացման տվյալների հավաքածուն ներառում էր ԷԷԳ 3 ամսականից բարձր հիվանդների ԷԷԳ գրանցման պահին, ովքեր ծայրահեղ վիճակում չէին: SCORE-AI-ը վավերացվել է՝ օգտագործելով երեք անկախ թեստային տվյալների հավաքածու՝ 11 փորձագետների կողմից գնահատված 100 ներկայացուցչական EEG-ներից բաղկացած բազմակենտրոն տվյալների հավաքածու, 14 փորձագետների կողմից գնահատված 9785 EEG-ի մեկ կենտրոնական տվյալների հավաքածու և, նախկինում հրապարակված AI մոդելների համեմատության համար: , 60 EEG տվյալների հավաքածու՝ արտաքին հղման ստանդարտով: Ընտրության չափանիշներին համապատասխանող ոչ մի հիվանդ չի բացառվել:

Հիմնական վերջնական կետերը և պարամետրերը

SCORE-AI կատարողականի ախտորոշիչ ճշգրտությունը, զգայունությունը և առանձնահատկությունը փորձագիտական ​​գնահատման և հիվանդի սովորական կլինիկական դրվագների արտաքին տեղեկանքի ստանդարտի հետ, որոնք գրանցված են տեսանյութ-EEG-ի ընթացքում:

արդյունքները

EEG տվյալների հավաքածուների բնութագրերը. զարգացման տվյալների հավաքածու (N = 30,493; 14,980 տղամարդ; միջին տարիքը 25,3 տարեկան [95% CI, 1,3–76,2 տարի]), բազմակենտրոն թեստի տվյալների հավաքածու (N = 100; 61 տղամարդ; միջին տարիքը [925%: CI, 4.1–85.5 տարի]), մեկ կենտրոնով թեստի տվյալների հավաքածու (N = 9785; 5168 տղամարդ; միջին տարիքը 35.4 տարեկան [95% CI, 0.6–87.4 տարի]) և թեստի տվյալների հավաքածու՝ արտաքին հղման ստանդարտով (N. = 60; 27 տղամարդիկ միջին տարիքը 36 տարի [95% CI, 3–75 տարի]): SCORE-AI-ը հասել է բարձր ճշգրտության. ROC կորի տակ գտնվող տարածքը տատանվում էր 0,89-ից մինչև 0,96 EEG-ի տարբեր կատեգորիաների անոմալիաների համար, և կատարումը նման էր մարդկային փորձագետների աշխատանքին: Համեմատական ​​վերլուծությունը երեք նախկինում հրապարակված AI մոդելների հետ սահմանափակվել է էպիլեպտիկ ակտիվությունը հայտնաբերելու ունակության համեմատությամբ: SCORE-AI-ի ճշգրտությունը (88,3%; 95% CI, 79,2–94,9%) զգալիորեն ավելի բարձր է եղել, քան նախկինում հրապարակված երեք մոդելներում (P < 0,001) և նման է մարդկային փորձագետների ճշգրտությանը:

Եզրակացություններ և նշանակություն

Այս ուսումնասիրության ընթացքում SCORE-AI-ը հասել է մարդկային փորձագետի մակարդակի՝ ստանդարտ EEG-ների լիովին ավտոմատացված մեկնաբանման միջոցով: SCORE-AI-ի օգտագործումը կարող է բարելավել ախտորոշումը և բժշկական օգնության որակը էլեկտրաէնցեֆալոգրաֆիայի մասնագետների պակաս ունեցող տարածաշրջաններում, ինչպես նաև բարձրացնել մասնագիտացված էպիլեպտոլոգիական կենտրոնների աշխատանքի արդյունավետությունն ու փոխադարձ հետևողականությունը:

doi:10.1001/jamaneurol.2023.1645