[論文レビュー] Five-institution study of automated classification of pathological slowing from adult scalp electroencephalograms

Wei Yan Peh, John Thomas+9 more|arXiv (Cornell University)|Sep 28, 2020

EEG and Brain-Computer Interfaces被引用数 2

ひとこと要約

本研究では、スペクトル特徴とチャネル、セグメント、EEGの各レベルにおける階層的検出を活用して、成人の頭皮EEGにおける病的な遅れを分類する深層学習ベースの自動化システム（SDLS）を提案する。SDLSは、1人を除いた施設ごとの交差検証において最大82.0％のバランス精度を達成し、EEGレベルにおける専門家の類似性を上回り、30分間のEEGを4秒で処理した。

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.

研究の動機と目的

• 視覚的EEG解釈の限界、すなわち主観性、時間消費、専門家不足を是正する。
• 診断の効率性と一貫性を向上させるために、EEGにおける病理的遅れを自動検出する手法を開発する。
• チャネル、セグメント、全EEGの各レベルにおけるEEG解析の複数の段階で性能を評価する。
• 米国、シンガポール、インドの多様なデータセットを用いて、強固な交差検証戦略を用いて一般化性能を評価する。
• 1回の30分間EEGを4秒で処理できる高速な処理速度を確保することで、リアルタイムの臨床応用を可能にする。

提案手法

• 非教師あり学習（ULS）、教師あり浅層学習（SSLS）、教師あり深層学習（SDLS）の3つの自動化システムを提案する。
• 非教師ありシステム（ULS）には、ラベルなしデータを用いて遅れを検出できるスペクトル特徴を入力とする。
• SSLSおよびSDLSでは、ラベル付き学習データを用いて、各EEGチャネルごとの遅れ検出器を実装する。
• チャネルレベルの検出結果を多数決またはアンサンブル戦略を用いて統合し、セグメントレベルおよびEEGレベルでの遅れを推定する。
• 被験者ごとに1人を除く（LOSO）および施設ごとに1施設を除く（LOIO）交差検証を適用し、被験者および施設間でのモデル一般化性能を評価する。
• SDLSはEEG信号から階層的表現を学習する深層ニューラルネットワークを用いて訓練し、検出精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 自動化システムは、EEGにおける病理的遅れの検出において、専門家の視覚的解釈と同等の性能を達成できるか？
• RQ2 非教師あり、浅層、深層学習アプローチは、解析の異なる段階でEEG遅れを分類する際に、どのように比較されるか？
• RQ3 米国、シンガポール、インドの異なる施設から得た多様なデータセットにおいて、モデルの性能はどの程度一般化されるか？
• RQ4 自動化システムは、長時間EEG（例：30分）をリアルタイムで処理できるか、臨床応用に適しているか？
• RQ5 最良のモデルの性能は、1名の専門家の類似性と比べてどの程度高いか？

主な発見

• 教師あり深層学習システム（SDLS）は、1施設を除いた交差検証（LOIO CV）において、EEGレベルで平均バランス精度（BAC）82.0％を達成し、セグメントレベルでの専門家の類似性（IRA）82％を上回った。
• チャネルレベルでは、SDLSはLOIO CVで71.9％のBACを達成し、専門家のIRA（72.4％）と同等の性能を示した。
• SDLSは、LOSO CVにおいてEEGレベルで81.8％のBACを達成し、被験者間での高い性能を示した。
• SDLSは30分間のEEGをわずか4秒で処理でき、リアルタイム臨床応用への強い可能性を示した。
• SDLSは、すべての評価段階および交差検証戦略において、非教師ありおよび浅層学習システムを上回った。
• LOIO交差検証により、米国、シンガポール、インドのデータセットにおいて一貫した性能を示し、モデルの施設間での一般化性能が良好であることが明らかになった。