[论文解读] 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 19

一句话总结

本研究提出一种基于神经网络的深度学习方法，用于从多导睡眠图中自动进行睡眠阶段评分，生成详细的睡眠密度图，其准确率（87%）优于人工评分（共识准确率）。该方法在1型发作性睡病诊断中达到91%的敏感度和96%的特异度，当结合HLA-DQB1*06:02分型时特异度提升至99%，有望实现居家诊断并减轻临床工作负担。

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.

研究动机与目标

• 利用深度神经网络自动完成多导睡眠图记录中的睡眠阶段评分，减少对训练技师耗时的人工评分的依赖。
• 开发一种睡眠密度图表示方法，通过在高时间分辨率下建模睡眠阶段的概率分布，提供比传统睡眠图更丰富的信息。
• 基于异常睡眠阶段转换，创建一种可靠、自动化的1型发作性睡病诊断标记，以提高诊断的准确性和一致性。
• 在独立数据集中验证该方法的性能，并评估其在居家睡眠研究中的应用潜力，以提升可及性并减轻临床负担。

提出的方法

• 在约3,000份多导睡眠图记录上训练深度神经网络，包括正常与异常睡眠数据，以每5秒为间隔预测睡眠阶段。
• 通过建模睡眠阶段随时间的概率分布，生成睡眠密度图，其时间分辨率显著高于标准30秒时段评分。
• 基于异常睡眠阶段重叠（如快速进入快速眼动睡眠）的存在与频率，构建基于T1N的标记，用于检测1型发作性睡病。
• 将基于神经网络的T1N标记与HLA-DQB1*06:02基因检测结合，进一步提高诊断特异度。
• 在70名受试者的队列中，以六名训练技师的共识评分作为基准，验证模型性能。
• 在独立数据集上评估诊断性能，以确保方法的泛化能力与鲁棒性。

实验结果

研究问题

• RQ1 深度神经网络能否在使用多导睡眠图数据时，实现比人工评分更高的睡眠阶段评分准确率？
• RQ2 基于神经网络生成的睡眠密度图能否提供比传统睡眠图更具信息量的睡眠分期？
• RQ3 基于异常睡眠阶段转换的自动化标记能否以高敏感度和特异度可靠地检测1型发作性睡病？
• RQ4 将基于神经网络的T1N标记与HLA-DQB1*06:02状态结合，能否进一步提高诊断特异度？
• RQ5 该方法能否有效应用于居家睡眠研究，从而减少对临床多导睡眠图检查的需求？

主要发现

• 表现最佳的神经网络模型在睡眠阶段评分中达到87%的准确率，超过六名人工评分者的共识准确率。
• 该模型成功实现了每5秒一次的睡眠阶段评分，显著提升了时间分辨率，优于标准30秒时段评分。
• 基于异常睡眠阶段重叠的T1N标记在独立验证数据集中达到91%的敏感度和96%的特异度。
• 结合HLA-DQB1*06:02分型后，T1N诊断的特异度提高至99%，显著增强了诊断的可信度。
• 该方法在独立数据集中表现出强大的泛化能力，支持其在临床和居家睡眠监测中的潜在应用。
• 该方法可显著减少睡眠诊所的时间与人力投入，并支持通过居家睡眠研究实现1型发作性睡病的自动化诊断。