იესპერ ტვეიტი,
ჰარალდ ორლიენი,
სერგეი პლისი და სხვები.

JAMA Neurology 2023 Aug 1, Volume 80, Number 8, p805-812

შესაძლებელია თუ არა ხელოვნური ინტელექტის (AI) მოდელის მომზადება სტანდარტული კლინიკური ელექტროენცეფალოგრამების (EEG) ინტერპრეტაციისთვის ადამიანის ექსპერტების სიზუსტით?

ამ დიაგნოსტიკურ კვლევაში, ხელოვნური ინტელექტის მოდელი (SCORE-AI) ჩატარდა 30,493 ეეგ-ზე, ჯერ ნორმალური ეეგ-ების განცალკევების მიზნით, შემდეგ კი არანორმალური EEG-ების კლასიფიკაციისთვის, როგორც: EEG ფოკალური ეპილეფტიფორმული აქტივობით, EEG გენერალიზებული ეპილეფსიური აქტივობით, EEG ერთად ფოკალური არაეპილეფსიური ცვლილებები და EEG დიფუზური არაეპილეფსიური ცვლილებებით. SCORE-AI დამოწმებული იქნა სამი დამოუკიდებელი მონაცემთა ნაკრების გამოყენებით, რომელიც შედგებოდა 9945 EEG-ისგან, რომლებიც არ გამოიყენება ტრენინგისთვის; SCORE-AI-მ შეძლო სპეციალისტის მსგავსი დიაგნოსტიკური სიზუსტის მიღწევა.

ამ კვლევის შედეგები ვარაუდობს, რომ SCORE-AI-ს გამოყენებამ შეიძლება ხელი შეუწყოს პაციენტის მოვლის ხარისხის გაუმჯობესებას იმ ადგილებში, სადაც არ არის ხელმისაწვდომი ექსპერტი EEG კითხვის უნარები, ასევე გააუმჯობესოს EEG ინტერპრეტაციის ეფექტურობა და თანმიმდევრულობა სპეციალიზებულ ცენტრებში.

შესაბამისობა

ელექტროენცეფალოგრაფია არის ძალიან მნიშვნელოვანი გამოკვლევის მეთოდი ნევროლოგიაში. ელექტროენცეფალოგრაფიის ინტერპრეტაციისთვის საჭიროა შესაბამისი ცოდნისა და უნარების მქონე სპეციალისტები, რაც, სამწუხაროდ, მსოფლიოს ბევრ ქვეყანაში არ არის ხელმისაწვდომი. AI-ს აქვს პოტენციალი, დააკმაყოფილოს ეს საჭიროებები. ადრე შემუშავებული AI მოდელები ეხება მხოლოდ EEG ინტერპრეტაციის შეზღუდულ ასპექტებს, როგორიცაა არანორმალური EEG-ის განასხვავება ნორმალურისგან ან ეპილეფტიფორმული აქტივობის იდენტიფიცირება. საჭიროა სტანდარტული EEG-ის ყოვლისმომცველი, სრულად ავტომატიზირებული ინტერპრეტაცია, რომელიც დაფუძნებულია ხელოვნურ ინტელექტზე, რომელიც შესაფერისია კლინიკური პრაქტიკისთვის.

სამიზნე

ხელოვნური ინტელექტის მოდელის შემუშავება და დადასტურება (EEG-ის სტანდარტიზებული კომპიუტერზე დაფუძნებული ორგანიზებული მოხსენება — ხელოვნური ინტელექტი [SCORE-AI]) პათოლოგიური EEG-ების ნორმალურისგან განასხვავების და პათოლოგიური EEG-ების კლასიფიკაციის უნარით კლინიკური გადაწყვეტილების მიღებისთვის მნიშვნელოვან კატეგორიებად: EEG ფოკალური ეპილეფტიფორმული აქტივობა, EEG გენერალიზებული ეპილეფსიური აქტივობით, EEG ფოკალური არაეპილეფსიური ცვლილებებით და EEG დიფუზური არაეპილეფსიური ცვლილებებით.

სასწავლო დიზაინი

ამ მულტიცენტრულ დიაგნოსტიკური სიზუსტის კვლევაში, SCORE-AI კონვოლუციური ნერვული ქსელის მოდელი შემუშავდა და დადასტურდა 2014-დან 2020 წლამდე დაფიქსირებული EEG-ების გამოყენებით. მონაცემები გაანალიზებულია 2022 წლის 17 იანვრიდან 2022 წლის 14 ნოემბრამდე. სულ 30,493 პაციენტის ჩანაწერი, რომელიც მიმართული იყო EEG-სთვის, შეტანილი იყო განვითარების მონაცემთა ბაზაში, ანოტირებული 17 ექსპერტის მიერ. განვითარების მონაცემთა ნაკრები მოიცავდა 3 თვეზე უფროსი ასაკის პაციენტების ეეგ-ებს EEG ჩაწერის დროს, რომლებიც არ იყვნენ კრიტიკულ მდგომარეობაში. SCORE-AI დადასტურდა სამი დამოუკიდებელი ტესტის მონაცემთა ნაკრების გამოყენებით: მრავალცენტრიანი მონაცემთა ნაკრები 100 წარმომადგენლობითი EEG-ისგან შეფასებული 11 ექსპერტის მიერ, ერთცენტრიანი მონაცემთა ნაკრები 9,785 EEG-ისგან შეფასებული 14 ექსპერტის მიერ და, ადრე გამოქვეყნებულ AI მოდელებთან შედარებით. , მონაცემთა ნაკრები 60 EEG გარე მითითების სტანდარტით. არცერთი პაციენტი, რომელიც აკმაყოფილებს შერჩევის კრიტერიუმებს, არ იყო გამორიცხული.

ძირითადი საბოლოო წერტილები და პარამეტრები

SCORE-AI შესრულების დიაგნოსტიკური სიზუსტე, მგრძნობელობა და სპეციფიკა ექსპერტის შეფასებასთან და პაციენტის რუტინული კლინიკური ეპიზოდების გარე სტანდარტთან შედარებით, რომელიც ჩაწერილია ვიდეო-EEG-ის დროს.

შედეგები

EEG მონაცემთა ნაკრების მახასიათებლები: განვითარების მონაცემთა ნაკრები (N = 30,493; 14,980 მამაკაცი; საშუალო ასაკი 25.3 წელი [95% CI, 1.3–76.2 წელი]), მულტიცენტრული ტესტის მონაცემთა ნაკრები (N = 100; 61 მამაკაცი; საშუალო ასაკი [925%. CI, 4.1–85.5 წელი]), ერთცენტრიანი ტესტის მონაცემთა ნაკრები (N = 9785; 5168 მამაკაცი; საშუალო ასაკი 35.4 წელი [95% CI, 0.6–87.4 წელი]) და ტესტის მონაცემთა ნაკრები გარე საცნობარო სტანდარტით (N. = 60; 27 მამაკაცი საშუალო ასაკი 36 წელი [95% CI, 3-75 წელი]). SCORE-AI-მ მიაღწია მაღალ სიზუსტეს: ROC მრუდის ქვეშ არსებული ფართობი მერყეობდა 0.89-დან 0.96-მდე EEG-ის სხვადასხვა კატეგორიის ანომალიებისთვის და შესრულება იყო ადამიანის ექსპერტების მუშაობის მსგავსი. შედარებითი ანალიზი სამ ადრე გამოქვეყნებულ AI მოდელთან შემოიფარგლებოდა ეპილეფსიური აქტივობის გამოვლენის უნარის შედარებით. SCORE-AI-ს სიზუსტე (88.3%; 95% CI, 79.2–94.9%) მნიშვნელოვნად მაღალი იყო, ვიდრე ადრე გამოქვეყნებული სამი მოდელის (P < 0.001) და ადამიანის ექსპერტების სიზუსტის მსგავსი.

დასკვნები და მნიშვნელობა

ამ კვლევაში SCORE-AI-მ მიაღწია ადამიანის ექსპერტის დონეს სტანდარტული EEG-ების სრულად ავტომატური ინტერპრეტაციით. SCORE-AI-ის გამოყენებამ შეიძლება გააუმჯობესოს დიაგნოსტიკა და სამედიცინო მომსახურების ხარისხი ელექტროენცეფალოგრაფიის ექსპერტების ნაკლებობის მქონე რეგიონებში, ასევე გაზარდოს სპეციალიზებული ეპილეპტოლოგიის ცენტრების მუშაობის ეფექტურობა და ურთიერთშეთანხმება.

doi:10.1001/jamaneurol.2023.1645