来自杜克大学的研究团队创建了一种机器学习模型，增强了医疗专业人员解读重症监护患者的脑电图 (EEG) 图表的能力。此工具特别重要，因为EEG读数是检测无意识患者在发生癫痫或类似癫痫事件风险时唯一的方法，且它有潜力每年拯救无数生命。
计算工具可能成为无意识患者面临癫痫风险的救命方法。研究结果于5月23日在《新英格兰医学杂志 AI》上在线发布。
EEG利用头皮上的传感器来测量大脑的电信号，从而生成一种独特的模式。此模式在癫痫发作期间会发生剧烈变化，使其易于识别。
根据布兰登·韦斯托弗博士的说法，有些类似癫痫的事件比癫痫本身更难识别和分类。这些事件存在于大脑活动的连续体上，也可能造成伤害，需进行治疗。即使是经过高度培训的神经学家，也可能难以识别和自信地分类由这些事件引起的EEG模式，这使得医疗机构具备必要的专业知识显得尤为重要。
这些患者的健康结果对医生的判断至关重要。
为了创建一个帮助进行这些判断的工具，医生们寻求了辛西娅·鲁丁的专业知识，她是杜克大学计算机科学和电气与计算机工程的厄尔·D·麦克林教授。鲁丁和她的团队专注于开发易于理解的机器学习算法。与传统的机器学习模型相比，后者往往使人难以理解，可解释的机器学习模型必须能够解释其推理过程。
研究小组首先收集了来自2700多名患者的EEG样本，并涉及了超过。在一项研究中，120名专家被要求识别EEG图中的重要特征。他们将这些特征分类为癫痫、四种类型的类似癫痫事件之一，或“其他”。每种类型的事件在EEG图中由特定的形状或线条模式表示。然而，这些图表的外观可能不一致，使得识别清晰信号变得困难。这种不一致可能是由于数据不准确或不同信号的合并，导致图表混乱。
“有一个明确的事实，但解读起来很具挑战性，”鲁丁实验室的博士生斯塔克·郭解释道。“这些图表中固有的不确定性要求我们训练模型在连续谱中做出决策。”该算法呈现的是类似癫痫事件的连续体，而不是不同的类别。这个连续体看起来像一个多彩的海星，每个手臂代表EEG检测到的不同类型的类似癫痫事件。该算法对其决策的信心通过特定图表在手臂上的位置表示，越靠近手臂的尖端越确定，离中央主体越远的不确定性越大。除了这种视觉分类，算法还识别出它用于做出判断的大脑波模式，并提供三个专业例子。该算法旨在识别EEG图中的模式，这些模式类似于医疗专业人员通常诊断的模式。根据鲁丁实验室的博士后研究员阿丽娜·巴内特的说法，这使得医疗专业人员能够快速审查重要部分，并确认模式的存在或判断算法是否不准确。即使是那些在阅读EEG方面经验有限的人也能做出更明智的决策。为了测试该算法，一组研究人员让八名医疗专业人员将100个EEG样本分类为六个类别，首先在AI的协助下，然后再进行无辅助的分类。结果显示所有参与者的表现。
参与者的准确率大幅提高，从47%提高到71%。在之前的一项研究中，他们的表现超过了使用类似“黑箱”算法的人员。
“人们常常认为黑箱机器学习模型更精确，但对于许多重要的应用来说，情况并非如此，”鲁丁表示。“当模型是可解释的时候，调试起来容易得多。在这种情况下，可解释模型的准确度实际上更高。此外，它提供了一种全面的视角，能够观察到大脑中发生的异常电信号，这对于危重病人的护理极为有利。”该研究获得了国家科学基金会（IIS-2147061，HRD-2222336，IIS-2130250，2014431）、国家卫生研究院（R01NS102190，R01NS102574，R01NS107291，RF1AG064312，RF1NS120947，R01AG073410，R01HL161253，K23NS124656，P20GM130447）和DHHS LB606内布拉斯加干细胞拨款的资助。
