[논문 리뷰] BrainNet: Epileptic Wave Detection from SEEG with Hierarchical Graph Diffusion Learning

Junru Chen, Yang Yang외 4명|arXiv (Cornell University)|2023. 06. 15.

EEG and Brain-Computer InterfacesNeuroscience인용 수 3

한 줄 요약

이 논문은 스테레오-EEG(SEEG) 데이터로부터 간질파를 동시에 탐지하고 동적 간질유발망을 추론하는 계층적 그래프 확산 학습 모델인 BrainNet을 제안한다. 자기지도 학습을 통해 채널, 뇌 영역, 환자 수준에서 뇌파 전파를 모델링함으로써, BrainNet은 대규모 실세계 SEEG 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 심한 레이블 불균형과 노이즈 조건에서도 기존의 시계열 기반 기준 모델을 능가한다.

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.

연구 동기 및 목표

• 개별 환자로부터의 고차원적, 노이즈가 많은, 불균형한 스테레오-EEG(SEEG) 데이터에서 간질파를 탐지하는 데 도전하는 것.
• 환자별로 특화된 간질유발망을 학습하여 뇌 영역 간 간질 활동의 동적 전파를 모델링하는 것.
• 계층적 아키텍처 내 자기지도 학습 프레임워크를 통해 SEEG 데이터의 레이블 불균형과 노이즈 문제를 극복하는 것.
• 실시간 임상 환경에서 확산 패턴을 공동으로 학습하고 간질파 발병 시점을 탐지하는 종단간(end-to-end), 데이터 기반 방법을 개발하는 것.
• 의료진이 모델 예측을 검토하고 해석할 수 있도록 지원하는 온라인 시스템을 통해 임상 현장에 구현 가능한 것.

제안 방법

• BrainNet은 채널 수준, 뇌 영역 수준, 환자 수준에서 3단계로 간질파 확산을 모델링하는 계층적 프레임워크를 사용한다.
• SEEG 채널과 뇌 영역 간 시간에 따라 변화하는 상호작용을 포착하는 그래프 신경망(GNN)을 사용하여 동적 확산 그래프를 학습한다.
• 노이즈에 강건하고 레이블 부족 문제에 대비하기 위해 마스크된 신호 복원 및 대비 학습 등의 다수의 자기지도 사전학습 과제를 통합한다.
• 다중 수준의 어텐션 메커니즘이 채널과 뇌 영역 간 특징을 집계하여 탐지 민감도와 공간 정밀도를 향상시킨다.
• 1D 컨볼루션과 그래프 컨volutional 레이어를 조합하여 국소적 신호 패턴과 장거리 전파 역학을 모두 포착한다.
• 프레임워크는 실제 SEEG 데이터에서 종단간으로 훈련되며, 간질파 탐지와 그래프 구조 학습을 동시에 최적화하는 손실 함수를 사용한다.

실험 결과

연구 질문

• RQ1 노이즈가 많고 불균형하며 환자별로 특화된 SEEG 데이터에서 간질파를 효과적으로 탐지할 수 있는 방법은 무엇인가?
• RQ2 간질파 전파의 동적 확산 그래프를 동시에 학습하면서 탐지 성능을 향상시킬 수 있는가?
• RQ3 자기지도 학습이 자원이 제한되고 노이즈가 많은 SEEG 환경에서 모델의 강건성에 얼마나 기여하는가?
• RQ4 기존의 시계열 모델에 비해 계층적 그래프 확산 모델이 간질유발망의 구조를 더 잘 포착할 수 있는가?
• RQ5 학습된 확산 그래프는 간질 발작 유도 부위를 식별하는 데 얼마나 해석 가능하고 임상적으로 유용한가?

주요 결과

• BrainNet은 SEEG 데이터에서 간질파 탐지에서 다수의 최신 기술 수준의 시계열 모델을 능가하여 더 높은 F1 점수와 균형 잡힌 정밀도-재현율 성능을 달성한다.
• 레이블 불균형과 노이즈에 대해 뛰어난 강건성을 보이며, 자기지도 사전학습 적용 시 탐지 성능 향상이 뚜렷하게 나타난다.
• 학습된 동적 확산 그래프는 임상 지식과 강력한 일치를 보이며, 개별 환자에서 뇌 영역 간 타당한 전파 패턴을 드러낸다.
• 온라인 시스템 배포를 통해 예측 결과를 실시간으로 시각화할 수 있으며, 의료진이 모델 출력을 실제 레이블과 대조하여 검토할 수 있다.
• 계층적 아키텍처는 다양한 환자별 SEEG 신호 패턴에서 효과적인 다중 척도 특징 표현을 가능하게 하여 탐지 정확도를 향상시킨다.
• 모델 성능은 환자당 평균 53시간의 기록을 포함한 대규모 실세계 SEEG 데이터셋에서 검증되었으며, 확장성과 임상적 관련성을 입증한다.