[논문 리뷰] The use of neural networks in the analysis of sleep stages and the diagnosis of narcolepsy.

Jens B. Stephansen, Aditya Ambati외 20명|arXiv (Cornell University)|2017. 10. 05.

Sleep and Wakefulness Research참고 문헌 56인용 수 19

한 줄 요약

이 연구는 수면 전기도 측정법 자료에서 신경망을 사용한 딥러닝 접근법을 제안하여 수면 단계 평가를 자동화하고, 인간 평가자보다 뛰어난 성능(87% 정확도 대 일치 평가)을 보이는 세밀한 수면 밀도 그래프를 생성한다. 이 방법은 1형 난류병 진단에 대해 91% 민감도와 96% 특이도를 달성하며, HLA-DQB1*06:02 유전자 검사와 조합할 경우 특이도가 99%로 향상되어 홈 기반 진단 가능성을 열어주고 임상적 부담을 줄인다.

ABSTRACT

Analysis of sleep for the diagnosis of sleep disorders such as Type-1 Narcolepsy (T1N) currently requires visual inspection of polysomnography records by trained scoring technicians. Here, we used neural networks in approximately 3,000 normal and abnormal sleep recordings to automate sleep stage scoring, producing a hypnodensity graph - a probability distribution conveying more information than classical hypnograms. Accuracy of sleep stage scoring was validated in 70 subjects assessed by six scorers. The best model performed better than any individual scorer (87% versus consensus). It also reliably scores sleep down to 5 instead of 30 second scoring epochs. A T1N marker based on unusual sleep-stage overlaps achieved a specificity of 96% and a sensitivity of 91%, validated in independent datasets. Addition of HLA-DQB1*06:02 typing increased specificity to 99%. Our method can reduce time spent in sleep clinics and automates T1N diagnosis. It also opens the possibility of diagnosing T1N using home sleep studies.

연구 동기 및 목표

• 수면 전기도 측정법 기록에서 깊이 신경망을 사용하여 수면 단계 평가를 자동화함으로써 숙련된 기술자가 수행하는 시간이 많이 소요되는 수동 평가에 대한 의존도를 줄이기.
• 기존의 30초 간격 평가 방식보다 더 높은 시간 해상도로 수면 단계 확률 분포를 모델링하여, 전통적인 수면도보다 더 풍부한 정보를 담은 수면 밀도 그래프 표현 방식을 개발하기.
• 비정상적인 수면 단계 전환 패tern을 기반으로 신뢰할 수 있는 자동 진단 지표를 만들기 위해 1형 난류병 진단의 정확도와 일관성을 향상시키기.
• 독립된 데이터셋에서의 성능 검증을 통해 홈 수면 검사에의 적용 잠재력을 평가하고, 접근성 향상과 임상적 부담 감소를 도모하기.

제안 방법

• 정상 및 비정상 수면 데이터를 포함한 약 3,000건의 수면 전기도 측정법 기록을 기반으로, 5초 간격으로 수면 단계를 예측하는 깊이 신경망을 훈련시킴.
• 시간에 따른 수면 단계의 확률 분포를 모델링하여 수면 밀도 그래프를 생성함으로써, 기존의 30초 간격 평가 방식보다 더 높은 시간 해상도를 확보함.
• 비정상적인 수면 단계 겹침(예: 빠른 REM 수면 유입)의 존재와 빈도를 기반으로 1형 난류병을 탐지하는 T1N 지표를 사용함.
• 신경망 기반 T1N 지표를 HLA-DQB1*06:02 유전자 검사 결과와 조합하여 진단 특이도를 추가로 향상시킴.
• 6명의 숙련된 기술자가 수행한 일치 평가 결과와 비교하여 70명의 대상자로 구성된 코hort에서 모델 성능을 검증함.
• 일반화 능력과 견고성을 확보하기 위해 독립된 데이터셋에서 진단 성능을 평가함.

실험 결과

연구 질문

• RQ1 딥러닝 신경망이 수면 전기도 측정법 자료를 사용하여 인간 평가자보다 더 높은 정확도로 자동 수면 단계 평가를 달성할 수 있는가?
• RQ2 신경망 기반 수면 밀도 그래프가 기존의 수면도보다 더 정보가 풍부한 수면 단계 평가를 제공할 수 있는가?
• RQ3 비정상적인 수면 단계 전환 패턴에 기반한 자동 지표가 높은 민감도와 특이도로 1형 난류병을 신뢰성 있게 탐지할 수 있는가?
• RQ4 신경망 기반 T1N 지표를 HLA-DQB1*06:02 상태와 조합할 경우 진단 특이도가 추가로 향상되는가?
• RQ5 이 방법이 홈 수면 검사에 효과적으로 적용되어 클리닉 내 수면 전기도 측정법의 필요성을 줄일 수 있는가?

주요 결과

• 최고의 성능을 보인 신경망 모델은 수면 단계 평가에서 87%의 정확도를 달성하여, 6명의 인간 평가자들이 내린 일치 평가 정확도를 초월함.
• 모델은 5초 간격으로 수면 단계를 정확히 평가하여, 기존의 표준 30초 간격 평가 대비 뚜렷한 시간 해상도 향상을 달성함.
• 비정상적인 수면 단계 겹침 기반 T1N 지표는 독립된 검증 데이터셋에서 91% 민감도와 96% 특이도를 기록함.
• HLA-DQB1*06:02 유전자 검사 결과를 통합함으로써 T1N 진단의 특이도가 99%로 상승하여 진단 신뢰도가 향상됨.
• 모델은 독립된 데이터셋 간에 강력한 일반화 능력을 보이며, 임상 및 홈 기반 수면 모니터링에의 잠재적 응용 가능성을 뒷받침함.
• 이 방법은 수면 클리닉의 시간과 노력을 줄이며, 홈 수면 검사를 통한 1형 난류병 자동 진단 가능성을 실현함.