[論文レビュー] Patient Independent Interictal Epileptiform Discharge Detection

Matthew McDougall, Hezam Albaqami+2 more|PubMed|Apr 27, 2023

EEG and Brain-Computer InterfacesNeuroscience参考文献 18被引用数 3

ひとこと要約

本論文は、生のスカラップEEGデータを用いて、アンサンブル化された残差畳み込みニューラルネットワーク（ResNet）と双方向LSTM（Bi-LSTM）ネットワークを組み合わせた、患者に依存しない間欠発作性放電（IED）検出システムを提案する。テンプル大学病院EEGてんかんコホートで訓練されたモデルは、94.92%の精度と97.45%のAUCを達成し、最先端の手法を上回り、患者間での一般化性能が優れていることを示している。

ABSTRACT

Epilepsy is a highly prevalent brain condition with many serious complications arising from it. The majority of patients which present to a clinic and undergo electroencephalogram (EEG) monitoring would be unlikely to experience seizures during the examination period, thus the presence of interictal epileptiform discharges (IEDs) become effective markers for the diagnosis of epilepsy. Furthermore, IED shapes and patterns are highly variable across individuals, yet trained experts are still able to identify them through EEG recordings - meaning that commonalities exist across IEDs that an algorithm can be trained on to detect and generalise to the larger population. This research proposes an IED detection system for the binary classification of epilepsy using scalp EEG recordings. The proposed system features an ensemble based deep learning method to boost the performance of a residual convolutional neural network, and a bidirectional long short-term memory network. This is implemented using raw EEG data, sourced from Temple University Hospital's EEG Epilepsy Corpus, and is found to outperform the current state of the art model for IED detection across the same dataset. The achieved accuracy and Area Under Curve (AUC) of 94.92% and 97.45% demonstrates the effectiveness of an ensemble method, and that IED detection can be achieved with high performance using raw scalp EEG data, thus showing promise for the proposed approach in clinical settings.

研究の動機と目的

• 患者固有の微調整を必要とせず、多様なEEG記録に一般化可能な、患者に依存しないIED検出システムの開発。
• 手作業による特徴量抽出を避けて、生で前処理されていないスカラップEEG信号を用いて、検出性能の向上。
• アンサンブル学習を活用して、多様な患者集団におけるIEDの同定において、より頑健で正確な性能を向上。
• 大規模で公開済みのEEGデータセット（テンプル大学病院EEGてんかんコホート）を用いて、モデルの有効性を検証。
• 日常的なEEGモニタリングにおけるてんかん診断のための、自動IED検出の臨床的実現可能性を示す。

提案手法

• 本手法は、残差畳み込みニューラルネットワーク（ResNet）と双方向LSTM（Bi-LSTM）ネットワークを組み合わせたハイブリッドディープラーニングアーキテクチャを採用。
• 手作業による特徴量設計を回避するため、生で前処理されていないスカラップEEG信号を入力として使用。
• 複数の訓練済みモデルを統合するアンサンブル学習戦略を採用し、予測の一般化性能と分散の低減を図る。
• 二値分類（IEDの有無）を目的として、テンプル大学病院EEGてんかんコホート上でエンドツーエンドで訓練。
• ResNet部における畳み込み層で空間的パターンを捉え、Bi-LSTM層で時間的依存性を活用。
• 標準指標（精度と受信者動作特性曲線下の面積（AUC））を用いてモデル性能を評価。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、患者固有の適応を必要とせずに、生のスカラップEEGデータから間欠発作性放電（IED）を検出できるか？
• RQ2 深層ニューラルネットワークのアンサンブルは、異なるてんかん患者から得られた多様なEEG記録にどの程度一般化できるか？
• RQ3 同じベンチマークデータセット上で、提案手法は最先端の手法と比較して、精度とAUCの面で優れているか？
• RQ4 前処理や特徴抽出を施さない生EEGデータのみで、高精度なIED検出が可能か？
• RQ5 ResNetとBi-LSTM部の統合は、臨床的EEG応用における検出の頑健性と一般化性能を向上させるか？

主な発見

• 提案モデルは、テンプル大学病院EEGてんかんコホートでテスト精度94.92%を達成した。
• 受信者動作特性曲線下の面積（AUC）は97.45%に達し、優れた識別性能を示した。
• アンサンブルベースのディープラーニング手法は、同じデータセット上で既存の最先端モデルを上回った。
• 患者固有の微調整を必要とせず、生EEG信号からのIED検出に成功したため、患者に依存しない性能が確認された。
• 共通するIEDパターンが患者間で存在し、生データから深層ニューラルネットワークがそのパターンを学習可能であることが確認された。
• 高い性能は、日常的なEEG解釈における自動IED検出の臨床的潜在能力を示唆している。