一项研究小组考察了人类评估与自动化算法在评估颅内脑电图（iEEG）数据质量方面的可靠性。该研究刊登在《神经工程杂志》上，由明尼苏达大学医学院主导，重点关注人类专家与自动化算法在评估iEEG数据质量时的比较。该研究的目的是改善癫痫的发作检测和定位，从而惠及癫痫患者。
iEEG 是一种通过放置在大脑上或内部的电极记录大脑活动的技术。这种精确的数据对于癫痫的诊断和管理至关重要，特别是在识别发作的确切来源以便进行有效治疗时。
在这项调查中，研究团队聚集了16名专家，包括通过研究生培训的EEG技术专家和神经学家，评估1440个iEEG通道，将它们分类为“良好”或“差”。“良好”的评级表示该通道准确记录了大脑活动，而“差”则表示没有。将他们的评估相互比较，并与明尼苏达大学Herman Darrow人类神经科学实验室创建的自动差通道检测（ABCD）算法进行比较。
ABCD算法显示出更高的准确率为95.2%，并且整体表现优于人类评估者，特别是在检测具有显着高频噪声的通道时。
“我们的结果揭示了人类评估中潜在的偏见和缺陷。ABCD算法的有效性暗示着一个未来，自动化工具可以协助医疗提供者提高癫痫发作检测的精度和效率，从而改善患者护理，”明尼苏达大学医学院助理教授、M Health Fairview的主治精神病学家Alexander Herman博士说道。
这项研究强调了自动化技术在增强iEEG数据解释的可靠性和效率方面的前景，这对于准确定位癫痫发作和改善患者结果至关重要。
“这项研究表明，自动化算法在检测低质量EEG通道方面有超过人类专家的能力。通过减轻负担和减少评估中的变异性，我们可以将重心转向临床决策和患者护理，”明尼苏达大学医学院助理教授、M Health Fairview的神经外科医生David Darrow博士表示。
进一步的研究应致力于增强这些自动化方法，并调查它们在实时临床环境中的应用。
该研究获得了转化神经科学研究所和MnDRIVE大脑疾病的资助。
