В данной статье приводятся промежуточные результаты работы группы авторов, в которую входят врачи, математики и программисты по внедрению в компьютерную программу по регистрации и анализу ЭЭГ инструмента для автоматической детекции эпизодов абсансной эпилепсии и оценки уровня сознания обследуемого в момент иктального события. Алгоритм работает на базе обученной нейронной сети в режиме реального времени при проведении ЭЭГ-видеомониторинга.
Результаты данной работы опубликованы в первом номере журнала "Эпилепсия и пароксизмальные состояния" за 2024 год.
Группа авторов:
- Миронов М.Б. – к.м.н., врач неролог-эпилептолог, ведущий научный сотрудник Медицинского центра неврологии и клинической нейрофизиологии
- Абрамов М.О. – врач функциональной диагностики. Заведующий отделением видео-ЭЭГ мониторинга, ООО «Институт Детской и Взрослой Неврологии и Эпилепсии им. Свт. Луки»
- Кондратенко В.В. – ведущий инженер отдела разработки программного обеспечения ООО «Нейрософт»
- Вафин И.Р. – инженер-математик ООО «Нейрософт»
- Смирнов С.Ю. – к.т.н., ведущий инженер отдела разработки программного обеспечения ООО «Нейрософт»
- Ваганов С.Е. - старший инженер отдела разработки программного обеспечения ООО «Нейрософт»
- Иванов А.А. – руководитель отдела управления продуктами ООО «Нейрософт»
СОВРЕМЕННЫЕ НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ
Искусственная нейронная сеть (ИНС) – это математическая модель и ее программное воплощение, построенные по принципу организации и функционирования биологических нейронных сетей, т.е. сетей нервных клеток живого организма.
Понятие ИНС было введено еще в 1943 году, а в 90-е годы прошлого столетия нейросетевые алгоритмы стали развиваться особенно активно.
Но, тем не менее, ИНС достигли апогея своего развития и массового внедрения только в последние годы благодаря созданию новых нейросетевых моделей, появлению больших вычислительных мощностей и накоплению данных для обучения, которые в совокупности существенно ускорили производительность и точность работы нейросетевых алгоритмов.
По своей сути нейронная сеть представляет из себя набор узлов и связей между ними. Каждая связь - это коэффициент, на который необходимо умножить вход, чтобы получить выход. Простейшая нейронная сеть должна содержать минимум два слоя: входной и выходной, но как правило реальные сети содержат еще некоторое количество промежуточных слоем. От количества слоев и узлов в каждом из них зависит емкость нейронной сети.
Рассмотрим простейший пример: нам нужно создать нейронную сеть, которая умеет вычислять сумму двух слагаемых. В таком случае эта сеть будет содержать два входных узла и один выходной, а также несколько промежуточных слоев. Чтобы обучить такую сеть потребуется обучающая выборка выражений с известными ответами. В процессе обучения нейронная сеть подбирает коэффициенты между элементами таким образом, чтобы ответы известных выражений как можно точнее совпадали с данными обучающей выборки. В результате обучения нейронная сеть сможет складывать не только те слагаемые, которые входили в обучающую выборку, но и любые другие. Чем больше промежуточных слоев содержит сеть, тем больше выражений она способна запомнить и в более широком диапазоне способна работать. Чем больше обучающая выборка, тем более точно будут подобраны все коэффициенты в процессе обучения.
Основные проблемы при обучении нейронной сети:
- Недостаточность обучающей выборки - возникает, когда данных для обучения не достаточно для качественного подбора всех коэффициентов сети. Точность работы такой сети будет низкой.
- Переученность сети - возникает, когда количество промежуточных слоев или узлов в них недостаточно, чтобы хранить все многообразие обучающей выборки. В таком случае каждый новый элемент обучающей выборки начинает влиять на ранее сформированную совокупность коэффициентов и снижать точность работы результирующей сети. В таком случае нужно увеличивать количество промежуточных слоев или узлов в них. Однако стоит помнить, что чем больше слоев содержит сеть, тем больше коэффициентов она содержит и тем медленнее будет она работать.
ПРИМЕЧАНИЕ: Обучение серьезной нейронной сети на внушительной обучающей выборке - это сложная задача оптимизации, которая требует большого количества вычислительных мощностей. Например, в данной работе один этап обучения занимал несколько суток работы высокопроизводительного компьютера. Таких обучений было выполнено более ста.
ОСОБЕННОСТИ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ
- Нейросетевые алгоритмы применяются, как правило, для решения недетерминированных задач, решение которых нельзя запрограммировать, следуя логике.
- Чтобы применить нейросетевую модель предварительно ее нужно обучить на подготовленном наборе обучающих данных.
- После обучения нейронная сеть способна самостоятельно решать такие задачи, которых не было в обучающей выборке.
Достоинства нейросетевых алгоритмов:
- Решение недетерминированных задач.
- Отсутствие необходимости программирования сложной логики поведения.
Недостатки нейросетевых алгоритмов:
- Сложно предсказать или объяснить найденное решение.
- Для исправления работы алгоритма необходимо переобучить нейронную сеть.
- При неправильном подборе конфигурации нейронной сети или недостаточности входных данных процесс обучения нейронной сети может не дать ожидаемого результата.
ПРИМЕЧАНИЕ: в настоящее время перечисленные недостатки устраняются с помощью различных математических подходов.
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНЕ
Области применения ИИ в медицине в настоящее время:
- Автоматический анализ медицинских изображений.
- Компьютерное зрение.
- Распознавание рентгеновских снимков, снимков МРТ.
- Помощь в принятии врачебных решений.
- Автоматизированный анализ генетической информации.
ПРИМЕЧАНИЕ: Область применения искусственного интеллекта в медицине постоянно расширяется.
АВТОМАТИЧЕСКИЙ ПОИСК ЭПИЗОДОВ ПАРОКСИЗМАЛЬНОЙ АКТИВНОСТИ НА ЭЭГ
Автоматические алгоритмы поиска эпилептиформной активности на ЭЭГ появились практически в первых компьютерных комплексах для регистрации электроэнцефалографии. Эти алгоритмы постоянно совершенствуются, но тем не менее, на практике такие алгоритмы пока применяются нечасто, так как они имеют несколько существенных недостатков:
•Точность срабатывания (много ложных эпизодов).
•Время анализа длительных обследований.
Применение нейросетевых алгоритмов для поиска и выделения эпилептиформной активности на ЭЭГ имеет все шансы избавиться от этих недостатков.
ОСОБЕННОСТИ РЕГИСТРАЦИИ АБСАНСНЫХ ПРИСТУПОВ
Типичные абсансы (ТА) – короткие генерализованные эпилептические приступы, характеризующиеся внезапным изменением уровня сознания, замиранием.
Согласно дефиниции, абсансы состоят из двух основных компонентов: нарушение сознания, которое синхронно сопровождается электроэнцефалографическими изменениями в виде генерализованных разрядов комплексов острая-медленная волна частотой 3 Гц и более.
Для типичных абсансов характерно внезапное начало и такое же внезапное завершение. Пациент мгновенно застывает, взгляд устремляется в одну точку. Наблюдается прерывание начатой деятельности. Продолжительность таких эпизодов может составлять от двух до нескольких десятков секунд (редко более 15 сек.)
ЭЭГ-паттерн типичных абсансов имеет крайне схожую морфологическую структуру на электроэнцефалограмме, а именно появление ритмичных регулярных высокоамплитудных генерализованных билатерально-синхронных разрядов комплексов острая-медленная волна на ЭЭГ.
Для диагностики типичных абсансов принципиально важно выявление факта изменения уровня сознания в момент приступа.
ЭЭГ-ВИДЕОМОНИТОРИНГ - ЗОЛОТОЙ СТАНДАРТ В ДИАГНОСТИКЕ ЭПИЛЕПСИИ
ЭЭГ-видеомониторинг является «золотым стандартом» в диагностике эпилепсии.
Данный метод позволяет:
- Подтвердить или опровергнуть диагноз эпилепсия.
- Оценить частоту возникновения эпилептиформной активности.
- Оценить латерализацию и локализацию эпилептиформной активности.
- Классифицировать эпилепсию.
ПРИМЕЧАНИЕ: по сравнению с рутинной ЭЭГ-записью продолженный ЭЭГ-видеомониторинг позволяет выявлять эпилепсию с более высокой достоверностью. В клинических рекомендациях IFCN от 2018 года проводить видеомониторинг предлагают и при проведении коротких ЭЭГ-обследований.
Для оценки уровня сознания пациента в период иктального события в условиях видео-ЭЭГ лаборатории обычно техник, проводящий обследование, выполняет тестирование пациента, задавая ему вопросы и/или давая простые команды.
Работа техников по оценке уровня сознания осложнена тем, что продолжительность абсансов скоротечна, а клинические проявления порой незначительны. Поэтому в условиях лаборатории видео-ЭЭГ мониторинга в диагностике абсансов возможны ошибки в тестировании со стороны ЭЭГ-техников.
К наиболее частым ошибкам можно отнести:
•тестирование пациента уже после иктального события;
•полное отсутствие тестирования;
•невнятно предложенные задания.
ОБЗОР ПРЕДЛАГАЕМОГО РЕШЕНИЯ
С учетом сложностей в выявлении абсансов и оценки уровня сознания у пациентов с эпилепсией, крайне актуальным является разработка цифровых программ с целью автоматической регистрации и тестирования данного типа эпилептических приступов и их ЭЭГ-паттернов, в том числе на основе искусственного интеллекта.
Был предложен следующий алгоритм работы:
ТРЕБОВАНИЯ К АЛГОРИТМУ ДЕТЕКЦИИ АБСАНСТНОГО ПРИСТУПА:
- Высокая чувствительность – должна обеспечивать надежное срабатывание детектора при появлении абсансного приступа.
- Высокая специфичность – минимальное количество ложных срабатываний.
- Скорость срабатывания – детектор должен определить начало абсансного приступа в первые одну-две секунды его возникновения, чтобы своевременно выдать голосовую команду для пациента (именно этому требованию не соответствуют многие алгоритмы детектирования).
ЧТО БЫЛО СДЕЛАНО
- Выбраны ЭЭГ-записи пациентов с подтвержденным диагнозом абсансная эпилепсия (15 пациентов, 58 часов записи, 313 эпизодов абсансных приступов, размеченных двумя экспертами).
- Сформирована выборка данных для обучения нейронной сети (В результате синтезирования эпизодов было сформировано 500.000 элементов обучающей выборки).
- Экспериментальным путем была подобрана архитектура нейронной сети (с применением сверточных и полносвязных слоев).
- Обучена нейронная сеть (Обучение модели было проведено 100 раз с различными начальными приближениями. Из обученных была выбрана лучшая модель, имеющая наименьшую ошибку на валидационной выборке).
- Проведено тестирование нейросетевого алгоритма на данных, не входивших в обучающую выборку (Обученная модель имела точность классификации 99.15% на обучающей выборке и 98.05% на тестовой).
ЭТИЧЕСКИЕ АСПЕКТЫ: Так как в данной работе использовались ЭЭГ-обследования пациентов с подтвержденным диагнозом эпилепсия, все данные обследований были обезличены на этапе отбора до включения в обработку. В ходе работы использовались только ЭЭГ-сигналы без их привязки к персональным данным. Также для тестирования точности работы нейросетевого алгоритма были использованы общедоступные базы данных ЭЭГ-обследований здоровых лиц и пациентов с подтвержденным диагнозом эпилепсия. Следует отметить, что в настоящее время ведутся активные дискуссии о правомерности использования медицинских данных пациентов без их согласия, однако консенсус в этом вопросе пока не достигнут. Тем не менее, сбор и структурирование больших массивов обезличенных медицинских данных открывает новые возможности в создании передовых методов диагностики и лечения.
СРАВНИТЕЛЬНАЯ ОЦЕНКА ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
Было проведено сравнение точности работы полученного алгоритма с похожими публикациями:
* Petersen, E. B., Duun-Henriksen, J., Mazzaretto, A., Kjær, T. W., Thomsen, C. E., & Sørensen, H. B. D. (2011). Generic Single-Channel Detection of Absence Seizures. In Proceedings of the 33rd Annual International Conference of the IEEE EMBS (pp. 4820-4823). IEEE. https://doi.org/10.1109/IEMBS.2011.6091194
** K. Giannakaki, G. Giannakakis, P. Vorgia, M. Klados and M. Zervakis, "Automatic Absence Seizure Detection Evaluating Matching Pursuit Features of EEG Signals," 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering (BIBE), Athens, Greece, 2019, pp. 886-889, doi: 10.1109/BIBE.2019.00165
*** Glaba P, Latka M, Krause MJ, Kroczka S, Kuryło M, Kaczorowska-Frontczak M, Walas W, Jernajczyk W, Sebzda T and West BJ (2021) Absence Seizure Detection Algorithm for Portable EEG Devices. Front. Neurol. 12:685814. doi: 10.3389/fneur.2021.685814
**** Li, L., Zhang, H., Liu, X. et al. Detection method of absence seizures based on Resnet and bidirectional GRU. Acta Epileptologica 5, 7 (2023). https://doi.org/10.1186/s42494-022-00117-w
Результаты сравнения подтверждают, что полученные результаты точности, чувствительности и специфичности обученное нейронной сети сравнимы с другими работами, а по некоторым показателям из превосходят.
РЕЗУЛЬТАТЫ ВНЕДРЕНИЯ
Полученный нейросетевой алгоритм был внедрен в программное обеспечение "Нейрон-Спектр.NET" и протестирован на записанных ранее обследованиях, как входивших, так и не входивших в обучающую выборку.
ВИДЕО
В данном ролике показан пример работы полученного алгоритма:
ПЛАНЫ И ПЕРСПЕКТИВЫ
Пока это только промежуточные результаты работы команды. В дальнейших планах авторов:
•Клиническая апробация работы алгоритма на практике.
•Выдача голосовых команд пациенту через динамик в видеокамере.
•Набор более репрезентативной выборки обследований, дообучение нейросетевой модели и повышение точности ее работы.
