МОСКВА, 19 сен — РИА Новости. Метод автоматизированного анализа эпилептических приступов разработали ученые БФУ. По их мнению, в отличие от существующих систем, новый подход учитывает особенности "сырых" клинических данных и позволяет быстрее поставить пациенту диагноз. Исследование опубликовано в журнале The European Physical Journal Special Topics.
Эпилепсия — хроническое неврологическое заболевание, проявляющееся в предрасположенности организма к внезапному возникновению судорожных приступов. По данным ВОЗ, эпилепсия является одним из самых распространенных неврологических заболеваний в мире; ею страдают порядка 50 миллионов человек. До 70% людей с эпилепсией могут жить без приступов болезни при условии обеспечения надлежащей диагностики и лечения.
Одной из ключевых задач в диагностике эпилепсии является определение типа приступа и его причин. Обычно для этого пациенту необходимо пройти долгое (до нескольких дней) наблюдение в стационаре, в течение которого регистрируется активность головного мозга с помощью электроэнцефалографии (ЭЭГ). После этого врач приступает к анализу полученных данных, вручную выявляя признаки эпилепсии, что требует значительных временных затрат и может существенно влиять на объективность результатов.
Ученые Балтийского федерального университета имени Иммануила Канта (БФУ) предложили новый подход к диагностике эпилепсии, основанный на использовании каскадной системы, которая объединяет искусственный интеллект (ИИ) и экспертные знания о физиологии эпилепсии. По их словам, данный метод позволяет существенно повысить точность обнаружения эпилептических приступов на электроэнцефалограммах.
«
"Разработка выполняет предварительный анализ записи, помечая участки, которые могут содержать эпилептические приступы. Затем врач изучает отмеченные системой участки, подтверждая или опровергая ее выводы", — пояснил старший научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта БФУ имени И. Канта Вадим Грубов.
При этом он выразил мнение, что благодаря такому сочетанию автоматического анализа и экспертной оценки врача удается достичь высокой точности диагностики при значительном сокращении времени исследования (до 90-95%).
Авторы исследования полагают, что полученные результаты могут облегчить работу врачей-эпилептологов и найти применение в клинической практике в рамках систем поддержки принятия врачебных решений (СППВР).
Как отметили в пресс-службе БФУ, преимущество разработки ученых заключается в том, что обучение системы проводилось на реальных и максимально "сырых" клинических данных. Это, по мнению экспертов, значительно повышает ее надежность в практическом применении. При разработке системы были учтены особенности эпилептических приступов, знания о работе головного мозга и различных протекающих в нем процессах.
«
"Другие исследователи часто стремятся к полной автоматизации диагностики эпилепсии с помощью машинного обучения, создавая системы, способные заменить врача. Однако разнообразие проявлений эпилепсии и ограниченность обучающих данных, часто представляющих собой "идеализированные" лабораторные данные, приводят к недостаточной надежности таких систем в реальных клинических условиях", — отметил Вадим Грубов.
Кроме того, по его мнению, сложность интерпретации моделей машинного обучения препятствует их широкому применению в медицине, где прозрачность принятия решений является критическим фактором.
В ходе исследования использовались методы глубокого обучения, а именно сверточные нейронные сети, которые широко применяются для классификации изображений.
На данном этапе перед учеными стоит задача тестирования других подходов в рамках машинного обучения, которые потенциально могут повысить качество детектирования приступов эпилепсии. Также планируется апробация предложенного метода на большом объеме клинических данных и разработка СППВР на его основе.
Работа выполнена в рамках программы "Приоритет 2030".