要点
问题计算机程序可以被训练识别发作癫痫样的排放和脑电图分类包含发作癫痫样的排放与精度相当于或优于专科训练的医师在临床神经生理学吗?
发现在这种发作痫性放电的诊断研究,深层神经网络训练使用9571头皮脑电图记录。以上算法出现执行精度,灵敏度和特异性训练临床专家。
意义这个电脑程序出现能够分类测量和检测个人发作癫痫样的排放比人类专家更准确,可以帮助对癫痫诊断检测和警告临床危重病人的下降,特别是在没有可用的脑电图技术设置。
重要性发作癫痫样的排放(ied)测量(脑电图)是一种生物标志物的癫痫,癫痫发作的风险,和临床下降。然而,有一个缺乏专家解读EEG结果合格。之前试图自动化IED探测已经被小样本和有限没有证明的专家级的性能。需要一个验证自动化方法检测ied的专家级的可靠性。
客观的开发和验证的计算机算法识别简易爆炸装置的能力尽可能可靠的专家和脑电图记录分类包含简易爆炸装置和简易爆炸装置。
设计,设定和参与者共有9571个头皮脑电图记录有无简易爆炸装置被用来训练深层神经网络(SpikeNet)来执行简易爆炸装置检测。独立的训练和测试数据集生成从262年13 IED候选人,独立的注释8训练临床神经生理学,和8520年脑电图记录不含简易爆炸装置根据临床脑电图报告。使用估计的概率,一个标识符指定整个脑电图记录构建积极或消极也。
主要结果和措施SpikeNet精度、灵敏度和特异性与训练神经生理学专家识别简易爆炸装置和分类脑电图作为简易爆炸装置的正面或负面或消极。统计性能评估通过校准误差和接受者操作特征曲线下面积(AUC)。性能统计数据都是估计使用10倍交叉验证。
结果SpikeNet超过专家解读和行业标准商业IED探测器,基于标定误差(SpikeNet 0.041;95%置信区间,0.033 - -0.049;与行业标准,0.066;95%置信区间,0.060 - -0.078;与专家,意思是,0.183;范围内,0.081 - -0.364)和二进制分类性能基于AUC (SpikeNet 0.980;95%置信区间,0.977 - -0.984;与行业标准,0.882;95%可信区间,0.872 - -0.893)。整个脑电图分类均校准误差是0.126(范围0.109 - -0.1444)和专家(意思是,0.197; range, 0.099-0.372) and AUC of 0.847 (95% CI, 0.830-0.865).
结论和意义在这项研究中,SpikeNet简易爆炸装置自动检测和分类整个脑电图IED-positive或IED-negative。这可能是第一次一个算法已被证明超过专家简易爆炸装置的性能检测脑电图的代表性,因此可能是一个有价值的工具,用于加快审查的脑电图。