[論文レビュー] Epileptic seizure detection using deep learning techniques: A Review

Afshin Shoeibi, Navid Ghassemi+13 more|arXiv (Cornell University)|Jul 2, 2020

EEG and Brain-Computer Interfaces参考文献 71被引用数 32

ひとこと要約

本稿は、EEGおよびMRIデータを用いたてんかん発作検出に向けたディープラーニング技術をレビューし、エンド・トゥ・エンドの特徴量学習が従来の手作業による特徴量よりも優れた性能を示すことを示している。ハードウェアおよびクラウドベースの実装についても言及し、ディープラーニングがリアルタイムでスケーラブルな臨床応用に向けた可能性を示している。

ABSTRACT

A variety of screening approaches have been proposed to diagnose epileptic seizures, using Electroencephalography (EEG) and Magnetic Resonance Imaging (MRI) modalities. Artificial intelligence encompasses a variety of areas, and one of its branches is deep learning. Before the rise of deep learning, conventional machine learning algorithms involving feature extraction were performed. This limited their performance to the ability of those handcrafting the features. However, in deep learning, the extraction of features and classification is entirely automated. The advent of these techniques in many areas of medicine such as diagnosis of epileptic seizures, has made significant advances. In this study, a comprehensive overview of the types of deep learning methods exploited to diagnose epileptic seizures from various modalities has been studied. Additionally, hardware implementation and cloud-based works are discussed as they are most suited for applied medicine.

研究の動機と目的

• EEGおよびMRIデータからのてんかん発作検出に応用されたディープラーニング手法について包括的なレビューを行うこと。
• ディープラーニングが特徴量抽出と分類を自動化する方法を分析し、従来の機械学習における手作業特徴量の制限を克服する仕組みを明らかにすること。
• 実用的でリアルタイムな医療応用を実現するための、ハードウェアおよびクラウドベースの実装戦略を検討すること。
• 臨床診断環境におけるディープラーニングモデルの性能と実現可能性を評価すること。

提案手法

• てんかん発作検出を目的としたEEGおよびMRI信号に適用された、CNN、RNN、オートエンコーダーなどのディープラーニングアーキテクチャの体系的レビュー。
• 手作業による特徴量設計を必要とせず、特徴量学習と分類を同時に最適化するエンド・トゥ・エンド学習フレームワークの評価。
• エッジコンピューティングやクラウドベースのプラットフォームを含む、モデルデプロイメント戦略の分析。スケーラブルな医療応用に適した実装を目的とする。
• 研究間での性能指標の比較を通し、発作検出における正確性、感受性、特異性に注目する。
• 臨床的意義を持つために、モデルの学習、検証、推論パイプラインを報告した研究を含む。
• 計算効率、モデルの解釈可能性、ハードウェア統合の観点から、実世界への適用可能性を検討する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、手作業特徴量を用いた従来の機械学習と比較して、どのようにてんかん発作検出を改善するか？
• RQ2 EEGおよびMRI信号の解析において、てんかん発作検出に最も効果的なディープラーニングアーキテクチャは何か？
• RQ3 臨床環境におけるリアルタイムてんかん発作検出のためのディープラーニングモデルのデプロイメントに直面する主な課題は何か？
• RQ4 ハードウェアおよびクラウドベースの実装は、ディープラーニングベースのてんかん発作検出システムのスケーラビリティと使いやすさをどのように向上させるか？

主な発見

• ディープラーニングモデルは、生のEEGおよびMRIデータから関連する特徴量を自動で学習することで、発作検出の正確性を向上させている。
• エンド・トゥ・エンドのディープラーニングフレームワークは、専門家が設計した特徴量への依存を低減し、汎化性能と性能を向上させている。
• ハードウェアおよびクラウドベースの実装により、リアルタイム臨床モニタリングに適した、スケーラブルで低レイテンシのデプロイメントが可能になった。
• ディープラーニングと医療画像処理・信号処理の統合は、自動的で信頼性の高い発作診断の分野において、顕著な可能性を示している。