南加州大学计算机科学研究人员开发了一种新型人工智能系统，可以准确检测癫痫发作类型，从而提高对罕见和复杂病例(甚至幼儿)的诊断能力。
美国有超过340万人患有癫痫，全球有6500万人患有癫痫，这是一种影响神经系统并导致癫痫发作的神经系统疾病。每26人中就有1人在一生中的某个阶段会患上癫痫，每年每1000名癫痫患者中就有1人因意外死亡。
与许多疾病一样，癫痫的治疗始于早期发现。世界卫生组织估计，如果得到充分诊断和治疗，70%的癫痫患者可以摆脱癫痫发作。
多年来，机器学习技术已经发展到可以通过大脑电极捕获的脑电图(EEG)信号来检测和分类癫痫发作，寻找人类无法独自解决的复杂关联。
然而，这些系统在检测罕见的癫痫发作方面一直举步维艰。这是因为人工智能依靠数据来学习模式并做出预测——这些罕见癫痫发作的样本不足限制了它在较不常见病例中表现良好的能力。
现在，南加州大学的研究人员开发了一种人工智能系统，通过分析大脑相互作用来识别癫痫，从而改善罕见和复杂病例的诊断。该系统于2024年5月在知识发现和数据挖掘进展(PAKDD)会议上展示，展示了比最先进模型高出12%的改进。
使用更少的数据生成准确的结果
通过整合人工智能系统在癫痫检测中通常会忽略的多种信息来源，包括脑电图电极的位置和它们监测的大脑区域，人工智能可以识别出表明癫痫发作可能发生时间的模式或特征。这种技术还可以帮助系统用较少的数据生成准确的结果，即使在训练数据中可能只有少数示例的罕见癫痫类型中也是如此。
“通常，对于最简单的用例，人工智能系统可以判断某人是否患有癫痫，因为这是一个简单的二元分类，”论文合著者、计算机科学、电气工程和空间科学教授赛勒斯·沙哈比(CyrusShahabi)表示。“但有些不同类型的罕见癫痫不容易分类——现有技术在这项任务中的准确率很低。”
以失张力性癫痫为例，这是一种罕见的癫痫类型，经常影响儿童，并引发突然失去肌肉控制和虚脱。在这种情况下，该系统将研究大脑区域的空间关系，并优先考虑涉及肌肉控制的大脑区域，例如运动皮层、基底神经节、小脑和脑干，以识别指示失张力性癫痫的活动模式。
“在我们的框架中，我们拥有大脑各个部分的空间关系、语义和描述，”论文主要作者、由Shahabi指导的计算机科学博士生ArashHajisafi说道。“所有这些信息都被纳入其中，以帮助模型找出此类癫痫发作的相关特征。因此，即使你向神经网络输入少量样本，它仍然会学习。”
研究人员表示，这项研究的目的不是取代医生，而是补充医生对难以发现的病例的知识。南加州大学神经学家、神经学教授保罗·汤普森(PaulThompson)没有参与这项研究，他认为这是一个令人欣喜的突破，可能会改变临床神经学的“游戏规则”。
汤普森表示：“了解癫痫发作类型对于早期治疗至关重要，但大脑活动的记录极其复杂。这一突破让人工智能能够检测出人类难以识别的模式，让临床医生能够更轻松、更快速、更可靠地完成这项任务。”
研究人员希望该技术未来能够被融入到向智能手机提供信息的可穿戴传感器中。
“脑部癫痫发作非常突然，因此及早发现癫痫发作确实可以挽救生命，”Shahabi说道。“如果该系统检测到脑电波有任何异常，就会发报。这将为癫痫的诊断和治疗带来难以置信的机会。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！