[論文レビュー] BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning

Junru Chen, Yang Yang+4 more|arXiv (Cornell University)|Jun 15, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用数 3

ひとこと要約

本稿では、ステレオEEG（SEEG）データからてんかん波を共同で検出するとともに動的てんかん発生ネットワークを推定する階層的グラフ拡散学習モデル、BrainNetを提案する。自己教師あり学習を用いて、電極間、脳領域間、被験者間における脳波の伝播をモデル化することで、大規模な実世界のSEEGデータセットにおいて、顕著なラベル不均衡とノイズ下でも、既存の時系列ベースのベースラインを上回る最先端の性能を達成する。

ABSTRACT

Epilepsy is one of the most serious neurological diseases, affecting 1-2% of the world's population. The diagnosis of epilepsy depends heavily on the recognition of epileptic waves, i.e., disordered electrical brainwave activity in the patient's brain. Existing works have begun to employ machine learning models to detect epileptic waves via cortical electroencephalogram (EEG). However, the recently developed stereoelectrocorticography (SEEG) method provides information in stereo that is more precise than conventional EEG, and has been broadly applied in clinical practice. Therefore, we propose the first data-driven study to detect epileptic waves in a real-world SEEG dataset. While offering new opportunities, SEEG also poses several challenges. In clinical practice, epileptic wave activities are considered to propagate between different regions in the brain. These propagation paths, also known as the epileptogenic network, are deemed to be a key factor in the context of epilepsy surgery. However, the question of how to extract an exact epileptogenic network for each patient remains an open problem in the field of neuroscience. To address these challenges, we propose a novel model (BrainNet) that jointly learns the dynamic diffusion graphs and models the brain wave diffusion patterns. In addition, our model effectively aids in resisting label imbalance and severe noise by employing several self-supervised learning tasks and a hierarchical framework. By experimenting with the extensive real SEEG dataset obtained from multiple patients, we find that BrainNet outperforms several latest state-of-the-art baselines derived from time-series analysis.

研究の動機と目的

• 個々の被験者からの高次元的でノイズが多く、ラベルが不均衡なSEEGデータにおけるてんかん波の検出という課題に対処すること。
• 患者固有のてんかん発生ネットワークを学習することで、脳領域間でのてんかん活動の動的伝播をモデル化すること。
• 階層的アーキテクチャ内での自己教師あり学習フレームワークを用いて、SEEGデータのラベル不均衡とノイズに対処すること。
• エンドツーエンドのデータ駆動型手法を構築し、拡散パターンの共同学習とリアルタイム臨床環境におけるてんかん波発生の検出を同時に実現すること。
• 医師による予測のレビューと解釈を可能にするオンラインシステムを介して、臨床現場への導入を可能にすること。

提案手法

• BrainNetは、電極レベル、脳領域レベル、被験者レベルの3段階でてんかん波拡散をモデル化する階層的フレームワークを採用する。
• SEEG電極および脳領域間の時間発展する相互作用を捉えるために、グラフニューラルネットワーク（GNN）を用いて動的拡散グラフを学習する。
• 信号のマスキング再構成や対照的学習などの複数の自己教師あり事前学習タスクを統合することで、ラベル不足やノイズに対する耐性を高める。
• チャネルおよび脳領域間の特徴を統合するためのマルチレベルアテンション機構を採用し、検出感度と空間局在化を向上させる。
• 1次元畳み込みとグラフ畳み込み層を組み合わせることで、局所的信号パターンと長距離伝播ダイナミクスの両方を捉える。
• エンドツーエンドで実際のSEEGデータ上で訓練され、てんかん波検出とグラフ構造学習の両方を最適化する損失関数が使用される。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多く、ラベルが不均衡で、被験者固有のSEEGデータにおいて、どのようにてんかん波を効果的に検出できるか？
• RQ2 てんかん波伝播の動的拡散グラフを同時に学習し、検出性能を向上させることは可能か？
• RQ3 自己教師あり学習は、リソースが限られ、ノイズが多いSEEG環境において、どの程度モデルの耐性を向上させられるか？
• RQ4 従来の時系列モデルと比較して、階層的グラフ拡散モデルはてんかん発生ネットワーク構造をよりよく捉えられるか？
• RQ5 学習された拡散グラフはどの程度解釈可能で、てんかん発生巣の特定に臨床的に有用か？

主な発見

• BrainNetは、SEEGデータにおけるてんかん波検出において、複数の最先端の時系列モデルを上回り、F1スコアが高く、適合率と再現率のバランスが良好である。
• 自己教師あり事前学習を適用することで、ラベル不均衡やノイズに対して顕著な耐性を示し、検出性能が著しく向上する。
• 学習された動的拡散グラフは臨床的知識と強く整合しており、個々の被験者における脳領域間での妥当な伝播パターンを明らかにする。
• オンラインシステムのデプロイにより、予測のリアルタイム可視化が可能となり、医師がモデル出力を真のラベルとの照合によって検証できる。
• 階層的アーキテクチャにより、多スケールでの有効な特徴表現が可能となり、多様な被験者固有のSEEG信号パターンにおける検出精度が向上する。
• 53時間の平均記録時間を有する大規模な実世界のSEEGデータセットを用いた妥当性評価により、スケーラビリティと臨床的関連性が実証された。