[논문 리뷰] Five-institution study of automated classification of pathological slowing from adult scalp electroencephalograms

Wei Yan Peh, John Thomas외 9명|arXiv (Cornell University)|2020. 09. 28.

EEG and Brain-Computer Interfaces인용 수 2

한 줄 요약

이 연구는 스펙트럼 특징과 채널, 세그먼트, EEG 수준에서의 계층적 탐지 기반으로 성인 스칼프 EEG에서 병리적 감속을 분류하는 딥러닝 기반 자동화 시스템(SDLS)을 제안한다. SDLS는 이관된 기관을 제외한 교차검증에서 최대 82.0%의 균형 정확도를 달성하여 EEG 수준에서 전문가 간 일致도를 초월했으며, 30분 분량의 EEG를 4초 내로 처리하였다.

ABSTRACT

Pathological slowing in the electroencephalogram (EEG) is widely investigated for the diagnosis of neurological disorders. Currently, the gold standard for slowing detection is the visual inspection of the EEG by experts. However, visual inspection is time-consuming and subjective. Moreover, there is shortage of EEG experts worldwide. To address those issues, we propose three automated approaches to detect slowing in EEG: unsupervised learning system (ULS), supervised shallow learning system (SSLS), and supervised deep learning system (SDLS). These systems are evaluated on single-channel segments (channel-level), multi-channel segments (segment-level), and entire EEGs (EEG-level). The ULS performs prediction via spectrum features. By contrast, the SSLS and SDLS detect slowing at individual channels via a channel-level slowing detector, and leverage the channel-level detections for detections on the level of segments and full EEGs. We evaluate the systems through Leave-One-Subject-Out (LOSO) cross-validation (CV) and Leave-One-Institution-Out (LOIO) CV on four datasets from the US, Singapore, and India. The SDLS achieved the best overall results: LOIO CV mean balanced accuracy (BAC) of 71.9%, 75.5%, and 82.0% at channel-, segment- and EEG-level, and LOSO CV mean BAC of 73.6%, 77.2%, and 81.8% at channel-, segment-, and EEG-level. The channel- and segment-level performance is comparable to the intra-rater agreement (IRA) of an expert of 72.4% and 82%. The SDLS can process a 30-minutes EEG in 4 seconds, and may be deployed to assist clinicians in interpreting EEGs.

연구 동기 및 목표

• 시각적 EEG 해석의 한계, 즉 주관성, 시간 소모, 전문가 부족 문제를 해결하기 위해.
• 진단 효율성과 일관성을 향상시키기 위해 EEG에서 병리적 감속을 자동으로 탐지하는 방법을 개발하기 위해.
• 채널, 세그먼트, 전체 EEG 수준에서의 EEG 분석을 고려한 성능 평가를 위해.
• 미국, 싱가포르, 인도에서 온 다양한 데이터셋을 활용하여 강력한 교차검증 전략을 적용해 일반화 능력을 평가하기 위해.
• 실시간 임상 적용을 가능하게 하기 위해 빠른 처리 속도(30분 분량 EEG당 4초)를 확보하기 위해.

제안 방법

• 비지도 학습(ULS), 지도 학습 얕은 학습(SSLS), 지도 학습 딥러닝(SDLS)을 포함한 세 가지 자동화 시스템을 제안하여 감속 탐지에 활용한다.
• 비지도 시스템(ULS)은 레이블이 없는 데이터에서 감속을 탐지하기 위해 스펙트럼 특징을 입력으로 사용한다.
• SSLS와 SDLS 모두 레이블이 있는 학습 데이터를 활용해 각 EEG 채널에서 감속을 식별하는 채널 수준의 감속 탐지기 구현한다.
• 다수결 투표 또는 앙상블 전략을 사용해 채널 수준 탐지 결과를 종합하여 세그먼트 수준 및 EEG 수준의 감속을 추론한다.
• 모델의 일반화 능력을 평가하기 위해 이관된 환자(LOSO) 및 이관된 기관(LOIO) 교차검증을 적용한다.
• 딥뉴럴 네트워크를 사용해 EEG 신호로부터 계층적 표현을 학습함으로써 탐지 정확도를 향상시키기 위해 SDLS를 훈련한다.

실험 결과

연구 질문

• RQ1 자동화 시스템이 EEG에서 병리적 감속을 탐지하는 데 있어 전문가의 시각적 해석 성능과 유사한 성능을 달성할 수 있는가?
• RQ2 비지도, 얕은 학습, 딥러닝 접근 방식이 다양한 분석 수준에서 EEG 감속을 분류하는 데 어떻게 비교되는가?
• RQ3 미국, 싱가포르, 인도의 다양한 기관에서 온 데이터셋 간에 모델 성능이 얼마나 잘 일반화되는가?
• RQ4 자동화 시스템이 장시간 EEG(예: 30분)를 실시간으로 처리할 수 있는가? 임상 적용에 적합한가?
• RQ5 최고의 모델 성능이 한 명의 전문가의 내재적 일致도와 비교해 어떻게 되는가?

주요 결과

• 지도 학습 딥러닝 시스템(SDLS)은 이관된 기관을 제외한 교차검증에서 EEG 수준에서 평균 균형 정확도(BAC)가 82.0%를 기록했으며, 세그먼트 수준에서 전문가 내재적 일치도(IRA) 82%를 초월했다.
• 채널 수준에서 SDLS는 LOIO 교차검증에서 71.9% BAC를 달성했으며, 전문가 IRA 72.4%와 유사한 성능을 보였다.
• SDLS는 EEG 수준에서 LOSO 교차검증에서 81.8% BAC를 기록해 환자 간 강력한 성능을 입증했다.
• SDLS는 30분 분량의 EEG를 단 4초 내로 처리해 실시간 임상 적용 가능성이 높다는 것을 보여주었다.
• 모든 평가 수준과 교차검증 전략에서 SDLS는 비지도 및 얕은 학습 시스템을 모두 압도했다.
• LOIO 교차검증 결과, 미국, 싱가포르, 인도의 데이터셋 간 일관된 성능을 보여 모델이 기관 간 잘 일반화됨을 입증했다.