Arhitectura hibridă AI îmbunătățește predicția crizelor folosind semnale EEG
Epilepsia afectează aproximativ 50 de milioane de oameni la nivel global și poate influența semnificativ calitatea vieții pacienților.
Electroencefalografia (EEG), care înregistrează activitatea electrică a creierului în timp real, joacă un rol esențial în diagnosticul și monitorizarea epilepsiei. Totuși, semnalele EEG sunt non-staționare, zgomotoase și variabile de la un individ la altul, ceea ce face ca interpretarea manuală să fie laborioasă și susceptibilă la prejudecăți subiective.
Învățarea profundă a devenit din ce în ce mai importantă pentru predicția crizelor, însă performanța sa depinde adesea de arhitectura rețelei, iar proiectarea manuală a unei arhitecturi eficiente poate necesita timp și resurse de calcul considerabile. Cadrele lor, denumite CMS-NAS, combină rețele neuronale convoluționale, Mamba și rețele neuronale cu impulsuri într-un spațiu de căutare special conceput pentru predicția crizelor.
În loc să conecteze pur și simplu cele trei tipuri de rețele, cercetătorii au dezvoltat două blocuri hibride, numite ConvSpike și MambaSpike. Sistemul convertește mai întâi semnalele EEG multicanal în reprezentări timp-frecvență utilizând o transformare Fourier pe termen scurt. Apoi, generează o populație de arhitecturi candidate de rețea. Fiecare candidat este antrenat și evaluat, după care arhitecturile cu performanțe mai bune sunt selectate pentru crossover și mutație pentru a produce noi generații. Căutarea ia în considerare simultan performanța predicției și dimensiunea modelului, permițând algoritmului să caute arhitecturi care echilibrează precizia și eficiența. Spațiul de căutare rezultat conține aproximativ 1,74 × 10¹⁷ arhitecturi posibile.
Pentru a evalua predicția crizelor, cercetătorii au considerat mai multe măsuri. AUC reflectă capacitatea generală a modelului de a distinge între diferitele stări EEG, iar valorile mai mari indică, în general, o discriminare mai bună. Sensibilitatea măsoară proporția crizelor reale care sunt prezise cu succes, în timp ce rata fals-pozitivă (FPR) a studiului măsoară numărul de evenimente false pe oră de EEG interictal. Astfel, o sensibilitate mai mare și o FPR mai mică sunt de dorit. Cercetătorii au calculat, de asemenea, valorile P față de o bază de predicție aleatorie, cu P < 0,05 considerat semnificativ din punct de vedere statistic. Pentru a reduce alarmele false izolate, au utilizat o strategie k-of-n, în care cel puțin 20 din 30 de predicții consecutive trebuiau să fie pozitive pentru a fi considerate un eveniment pozitiv. Orizontul de predicție a fost stabilit la 1 minut.
Cercetătorii au testat CMS-NAS pe două seturi de date publice, CHB-MIT și AES, și un set de date clinic privat. Au utilizat atât evaluarea specifică pacienților, cât și cea independentă de pacienți. În setarea specifică pacienților, datele din alte evenimente de criză ale aceluiași pacient au fost folosite pentru antrenare și validare, în timp ce un eveniment de criză a fost rezervat pentru testare. În setarea independentă de pacienți, toate datele dintr-un pacient au fost rezervate pentru testare, în timp ce pacienții rămași au fost folosiți pentru antrenare, oferind un test mai exigent al generalizării la pacienți anterior nevăzuți.
Pe setul de date CHB-MIT, CMS-NAS a obținut un AUC de 0.930, o sensibilitate de 88,5% și o FPR de 0,108 alarme false pe oră în testarea specifică pacienților. Șaptesprezece din 18 subiecți au îndeplinit criteriul de semnificație statistică al studiului. În testarea independentă de pacienți, modelul a obținut un AUC de 0.672 și o sensibilitate de 60,7%, menținându-se înaintea metodelor comparate pe aceste două măsuri esențiale.
Pe setul de date AES, CMS-NAS a realizat un AUC de 0.878, o sensibilitate de 87,3% și o FPR de 0,107 în testarea specifică pacienților, în timp ce sensibilitatea sa independentă de pacienți a atins 61,3%, cea mai mare dintre metodele comparate. Pe setul de date clinic privat, modelul a obținut un AUC de 0.923, o sensibilitate de 84,4% și o FPR de 0,138 în testarea specifică pacienților. În testarea independentă de pacienți, a realizat un AUC de 0.662, o sensibilitate de 51,6% și o FPR de 0,253.
Cercetătorii au evaluat, de asemenea, eficiența desfășurării. Căutarea arhitecturii a durat 11 ore, în timp ce modelul final avea doar 0,034 milioane de parametri, o dimensiune a modelului de 0,131 MB, 0,293 milioane MACs și o latență de inferență de 1,308 milisecunde.
Experimentele de ablație au arătat de ce designul hibrid funcționează. CNN, Mamba și SNN nu au fost pur și simplu stivuite împreună, ci au jucat roluri complementare: CNN a extras caracteristici locale în timp-frecvență, Mamba a modelat dependențele temporale pe termen lung, iar SNN a utilizat procesarea bazată pe impulsuri rare pentru a îmbunătăți semnalele anormale tranzitorii. Eliminarea oricărei componente esențiale a redus performanța generală a predicției.
Cercetătorii concluzionează că CMS-NAS poate reduce unele dintre redundanțele structurale, costurile de căutare și povara computațională asociate cu modelele de predicție a crizelor concepute manual sau bazate pe NAS convenționale, în timp ce echilibrează performanța predicției și desfășurarea ușoară. Cu toate acestea, cadrul actual este conceput pentru sarcini fixe și utilizează doar date EEG unimodale. Lucrările viitoare vor explora predicția crizelor multimodale și arhitecturi care pot să se adapteze la o gamă mai largă de sarcini, testând în continuare generalitatea și valoarea practică a cadrului.
