[论文解读] 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 2

一句话总结

本研究提出了一种基于深度学习的自动化系统（SDLS），用于分类成人头皮脑电图中的病理性慢波活动，该系统利用频谱特征，并在通道、片段和脑电图层级上实现分层检测。SDLS在留一机构交叉验证中实现了最高82.0%的平衡准确率，优于专家在脑电图层级上的组内一致性，且处理30分钟脑电图仅需4秒。

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.

研究动机与目标

• 解决视觉脑电图解读的局限性，包括主观性、耗时性以及专家短缺问题。
• 开发自动化方法以检测脑电图中的病理性慢波，提升诊断效率与一致性。
• 在通道、片段和完整脑电图等多个分析层级上评估性能。
• 通过稳健的交叉验证策略，评估模型在来自美国、新加坡和印度的多样化数据集上的泛化能力。
• 通过确保快速处理速度（每30分钟脑电图仅需4秒），实现临床环境中的实时部署。

提出的方法

• 提出三种自动化系统：无监督学习（ULS）、有监督浅层学习（SSLS）和有监督深度学习（SDLS），用于慢波检测。
• 使用频谱特征作为无监督系统（ULS）的输入，以在无标签数据下检测慢波。
• 在SSLS和SDLS中均实现通道层级的慢波检测器，利用标注训练数据识别每个脑电图通道的慢波。
• 通过多数投票或集成策略，将通道层级的检测结果聚合，以推断片段层级和脑电图层级的慢波。
• 应用留一被试交叉验证（LOSO）和留一机构交叉验证（LOIO）以评估模型在被试和机构间的泛化能力。
• 使用深度神经网络训练SDLS，以从脑电信号中学习分层表征，从而提高检测准确率。

实验结果

研究问题

• RQ1 自动化系统能否在检测脑电图中的病理性慢波方面达到与专家视觉解读相当的性能？
• RQ2 无监督、浅层和深度学习方法在不同分析层级上的脑电图慢波分类表现如何比较？
• RQ3 模型性能在来自不同机构（美国、新加坡、印度）的多样化数据集上泛化程度如何？
• RQ4 自动化系统能否实现实时处理长时程脑电图（如30分钟），适用于临床部署？
• RQ5 最佳模型的性能与单个专家的组内一致性相比如何？

主要发现

• 有监督深度学习系统（SDLS）在留一机构交叉验证中，于脑电图层级实现了82.0%的平均平衡准确率（BAC），超过专家组内一致性（IRA）在片段层级的82%。
• 在通道层级，SDLS在LOIO交叉验证中实现了71.9%的BAC，与专家IRA的72.4%相当。
• SDLS在LOSO交叉验证中于脑电图层级实现了81.8%的BAC，表明其在被试间具有强大性能。
• SDLS仅用4秒即处理完一段30分钟的脑电图，表明其在临床实时应用中具有强大潜力。
• 在所有评估层级和交叉验证策略中，SDLS均优于无监督和浅层学习系统。
• LOIO交叉验证表明，该模型在机构间具有良好的泛化能力，美国、新加坡和印度的数据集间性能保持一致。