Share
Embed
Expert-Level Detection of Epilepsy Markers in EEG on Short and Long Timescales
ほき
August 30, 2025
Transcript
20 slides
-
https://www.academix.jp/ AcademiX 論文輪読会 Expert-Level Detection of Epilepsy Markers in EEG
on Short and Long Timescales 東京農工大学 Inoue Ibuki 2025/08/30 -
書誌情報 • Expert-Level Detection of Epilepsy Markers in EEG on
Short and Long Timescales • Jin Li et al. • NEJM AI • 2025/06/26 • doi:10.1056/aioa2401221 引用のない図はすべてこの論文から引用 3 -
概要 • 背景 ◦ 脳波記録におけるてんかん様放電は診断と発作発生部位の特定に不可欠 ◦ AIは検出の自動化に有望なアプローチを提供するが偽陽性によって妨げられることが多い ◦ イベントレベルまたはEEGレベルの分類のいずれかを対象とするため臨床的有用性が制限 •
方法 ◦ 残差ネットワークアーキテクチャに基づく深層学習モデルSpikeNet2を開発 ◦ 専門家によるラベル付けが施されたイベントレベルサンプル32,433件を訓練・評価に適用 • 結果 ◦ EEGレベル分類とイベントレベルスパイク検出両方において高い性能を示唆 • 結論 ◦ イベントレベルのスパイク検出とEEGレベルの分類の両方で専門家レベルの精度を提供すると同時 に偽陽性を大幅に削減 ◦ その二重機能性と多様なデータセットにおける堅牢な性能は、特に資源が限られた環境において臨 床および遠隔医療アプリケーションのための有望なツールとなりうる 4 -
先行研究:SpikeNet1 • 目的:発作間欠期てんかん様放電(IED)を自動検出し、EEG記録全体が IED陽性か陰性かを専門家と同等以上の精度で分類 • 入力 ◦ 8人の専門医が注釈を付けた13,262件のIED候補と、IEDなしの8,520件の対照EEG記録 ◦ 専門家の投票割合に基づく「ソフトラベル」
と困難なサンプル(アーチファクトなど) を含む2段階訓練 • 出力 ◦ 個々のIEDイベントの識別 (イベントレベル検出) ◦ EEG記録全体にIEDが存在するかどうかの 二値分類(EEGレベル分類) 10 [Jin Jing, JAMA Neurology, 2020] -
先行研究:SCORE-AI • 目的:ルーチンEEGの完全自動かつ包括 的な解釈を実現し、異常なEEG記録を正 常と区別し、臨床的意思決定に有用な4つ のカテゴリに分類 • 入力:30,493件のEEG記録で開発・検証。 17人の専門家がSCORE EEGシステムを
用いて詳細に注釈 • 出力 ◦ 正常 ◦ てんかん様焦点性 ◦ てんかん様全般性 ◦ 非てんかん様焦点性 ◦ 非てんかん様びまん性 11 [Jesper Tveit, JAMA Neurology, 2023] -
先行研究の課題 • SpikeNet1の課題点 ◦ イベントレベル検出に特化 連続EEG記録全体での評価が不足 ◦ 高い偽陽性率 90%の感度で1時間あたり52個という高い偽陽性率 •
SCORE-AIの課題点 ◦ EEGレベル分類に特化 個々のスパイクイベント(イベントレベル)の検出には未対応 12 -
解決方法 • イベントレベルとEEGレベルの双方に対応 ◦ イベントレベルでのスパイク検出とEEG記録全体がスパイクを含むかどうかの分類の両方を 専門家レベルの精度で実現 ◦ 個々の放電の正確な時間的局在化とてんかん診断に不可欠なてんかん様活動の全体的な有無 の評価の両方を提供 •
ハードネガティブマイニングによる偽陽性率の劇的削減 • 大規模・マルチセンターデータセットによる汎化性の向上 13 -
訓練データセット • 24人の専門家がアノテーション • イベントレベル分類 ◦ 29,333件のラベル付きイベントを使用 ▪ 弱ラベルサンプル: ラベル付けされていないがスパイク
に類似するサンプル or 以前の研究 でラベルづけされたサンプル ▪ HNMサンプル: スパイクに似ているが実際にはスパ イクではない識別が困難なサンプル • EEGレベル分類 ◦ 4,087人の患者のEEGセット ▪ 708件が陽性(スパイクあり) ▪ 3,379件が陰性(スパイクなし) 15 -
訓練方法 • 19チャンネルの参照EEG信号は128 Hzにリサンプリング • 18チャンネルのバイポーラリファレンスと19チャンネルの共通平均リファレ ンスの両方に変換され合計37チャンネルの入力 • 時間的および空間的特徴抽出に適した1秒間のウィンドウ(37×128行列)に セグメント化
• チャネルフリップ・カット・ジッターなどのデータ拡張を適用 • EEG振幅は外れ値の影響を減らし訓練を安定させるため95パーセンタイルに 基づいて正規化 17 -
結果と考察 • MGB ◦ ROC曲線(図3A):AUROC 0.973 (95% CI, 0.961~0.982) ハードネガティブマイニングなしのSpikeNet2aやSpikeNet1を大き
く上回る ◦ 適合率-再現率曲線(図3B):AUPRC 0.995 (95% CI, 0.993~ 0.997) ◦ キャリブレーション曲線(図3C): モデルの予測確率が実際の発生確率とどれだけ一致しているかを 示すキャリブレーション誤差は0.02 (95% CI, 0.01~0.03) ◦ 修正ROC曲線(図3G、3H): 感度と1時間あたりの偽陽性数(FP/hour)をプロットするもので 連続EEG記録における実世界での性能をよりよく反映 mAUC 0.997 (95% CI, 0.994~0.998) を達成 • HEP ◦ ROC曲線(図3D):AUROC 0.942 (95% CI, 0.933~0.950) ◦ 適合率-再現率曲線(図3E):AUPRC 0.948 (95% CI, 0.939~ 0.956) ◦ このデータセットでは、SpikeNet2のAUROCおよびAUPRCは SpikeNet1の ◦ キャリブレーション曲線(図3F):キャリブレーション誤差は 0.065 (95% CI, 0.053~0.078) • 専門家との比較 ◦ イベントレベル分類において、SpikeNet2は人間の専門家の大部分 を上回る性能 19 -
訓練方法 • SpikeNet1とSpikeNet2を適用し各EEG記録全体 にわたるスパイク確率の時系列を生成 • 特徴量を作成 ◦ 要約統計量(平均、最大値、標準偏差、中央値、 四分位範囲) ◦
パーセンタイル ◦ 予測曲線下面積 ◦ [0.5,1]の0.01ステップ刻みの閾値でのスパイク率 • 特徴量を入力としてL1正則化を伴うロジスティ ック回帰モデルが訓練 21 -
結果と考察 • MGB ◦ AUROC:0.958 (95% CI, 0.946~0.968) ◦ AUPRC:0.959
(95% CI, 0.947~0.970) • HEP ◦ AUROC:0.888 (95% CI, 0.829~0.941) ◦ AUPRC:0.823 (95% CI, 0.712~0.911) • SAIデータセット ◦ AUROC:0.995 (95% CI, 0.967~1) ◦ AUPRC:0.991 (95% CI, 0.931~1) ◦ このデータセットでのSpikeNet2の性能は SCORE-AIモデル自体の性能と同等(AUROC 0.997、AUPRC 0.995) • 専門家との比較 ◦ EEGレベル分類において、SpikeNet2は人間の専 門家を上回る性能 22 -
まとめ • SpikeNet2はイベントレベルとEEGレベルの両方でてんかん様放電を検出可 能な包括的モデル • 大規模で人口統計学的に多様なデータセットを用いて訓練・検証 • その優れた性能は臨床実践における貴重なツールとしての地位を確立 ◦ 経験豊富な神経科医が不足している地域を中心に遠隔医療分野でのSpikeNet2の応用が期待
◦ 本モデルはリアルタイム脳波モニタリングと発作診断に有望であり臨床ワークフローへの統 合の道を開く • 今後の研究では追加の脳波特徴に対応する機能拡張に焦点を当て、臨床現場 での有用性を強化 24