[論文レビュー] The use of neural networks in the analysis of sleep stages and the diagnosis of narcolepsy.

Jens B. Stephansen, Aditya Ambati+20 more|arXiv (Cornell University)|Oct 5, 2017

Sleep and Wakefulness Research参考文献 56被引用数 19

ひとこと要約

本研究では、ポリソムノグラフィーからの睡眠ステージスコアリングを自動化するためのディープラーニング手法を提案し、人間のスコアラー（87％の正確性）を上回る詳細なヒプノデニシティグラフを生成する。タイプ1ナロレプシーの診断において91％の感度と96％の特異度を達成し、HLA-DQB1*06:02型別と組み合わせると特異度が99％に上昇し、家庭での診断が可能になり、臨床的負担が軽減される可能性がある。

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.

研究の動機と目的

• 訓練された技術者による時間のかかる手動スコアリングに依存しない、ポリソムノグラフィー記録における睡眠ステージスコアリングを自動化するためのディープニューラルネットワークの使用。
• 従来の30秒エポックスコアリングよりも高い時間分解能で睡眠ステージの確率分布をモデル化することで、より豊富な情報を含む、高分解能のヒプノデニシティグラフ表現を開発する。
• 異常な睡眠ステージ遷移に基づく、信頼性の高い自動マーカーを創出し、診断の正確性と一貫性を向上させるタイプ1ナロレプシーの診断。
• 独立したデータセットでの妥当性評価と、家庭での睡眠検査への応用可能性の評価により、アクセス性の向上と臨床的負担の軽減を図る。

提案手法

• 標準的な30秒エポックスコアリングよりも高い時間分解能を実現するため、約3,000件のポリソムノグラフィー記録（正常および異常睡眠データを含む）を用いて、5秒ごとの睡眠ステージを予測するディープニューラルネットワークを訓練した。
• 時間経過に伴う睡眠ステージの確率分布をモデル化することで、従来の30秒エポックスコアリングよりも高い時間分解能を持つヒプノデニシティグラフを生成した。
• 急速なレム睡眠への遷移を含む異常な睡眠ステージの重複の有無と頻度に基づくT1Nマーカーを用いて、タイプ1ナロレプシーを検出する。
• ニューラルネットワークベースのT1NマーカーをHLA-DQB1*06:02遺伝子検査結果と組み合わせることで、診断の特異度をさらに向上させた。
• 6名の訓練を受けた技術者によるコンセンサススコアリングと比較して、70名の被験者からなるコhortでモデルの性能を妥当性評価した。
• 一般化能と頑健性を確保するため、独立したデータセットで診断性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 ディープニューラルネットワークは、ポリソムノグラフィーデータを用いて、人間のスコアラーを上回る正確性で自動睡眠ステージスコアリングを達成できるか？
• RQ2 ニューラルネットワークが生成するヒプノデニシティグラフは、従来のヒプノグラムよりもより情報を豊富に含む睡眠ステージスコアリングを提供できるか？
• RQ3 異常な睡眠ステージ遷移に基づく自動マーカーは、高い感度と特異度でタイプ1ナロレプシーを信頼性高く検出できるか？
• RQ4 ニューラルネットワークベースのT1NマーカーとHLA-DQB1*06:02状態を組み合わせることで、診断の特異度がさらに向上するか？
• RQ5 このアプローチは、外来でのポリソムノグラフィー検査の必要性を減らすために、家庭での睡眠検査に効果的に応用できるか？

主な発見

• 最も優れた性能を示したニューラルネットワークモデルは、睡眠ステージスコアリングで87％の正確性を達成し、6名の人的スコアラーのコンセンサスを上回った。
• モデルは5秒ごとの睡眠ステージスコアリングを成功裏に実行し、標準的な30秒エポックと比較して顕著に高い時間分解能を実現した。
• 独立したデータセットでの妥当性評価において、異常な睡眠ステージの重複に基づくT1Nマーカーは91％の感度と96％の特異度を達成した。
• HLA-DQB1*06:02型別を組み合わせることで、T1N診断の特異度が99％に上昇し、診断の信頼性が向上した。
• モデルは独立したデータセットにおいても強く一般化を示し、臨床的および家庭用の睡眠モニタリングへの応用可能性を裏付けた。
• 本アプローチは、睡眠クリニックにおける作業時間と負担を削減し、家庭での睡眠検査を用いたタイプ1ナロレプシーの自動診断を可能にした。