杜克大学的研究人员开发了一种辅助机器学习模型,大大提高了医疗专业人员读取重症监护患者脑电图(EEG)K线走势图的能力。
由于脑电图读数是了解昏迷患者何时有癫痫发作危险或出现类似癫痫发作事件的唯一方法,因此该计算工具每年可帮助挽救数千人的生命。研究结果于 5 月 23 日在线发表在《新英格兰医学杂志 AI》上。
脑电图使用附着在头皮上的小型传感器来测量大脑的电信号,产生一长串上下波动的曲线。当患者癫痫发作时,这些线条会像地震仪一样剧烈地上下跳动——这是一种很容易识别的信号。但其他具有医学重要性的异常,即癫痫样事件,则很难辨别。
麻省总医院和哈佛医学院神经病学副教授 Brandon Westover 博士说:“我们所观察的大脑活动是连续的,癫痫发作是其中的一端,但中间仍有许多事件也可能造成伤害并需要药物治疗。这些事件引起的脑电图模式更难识别和准确分类,即使是训练有素的神经科医生也难以做到,而并不是每个医疗机构都有这样的医生。但这样做对这些患者的健康结果极为重要。”
为了开发一种有助于做出这些判断的工具,医生们求助于杜克大学计算机科学和电气与计算机工程系 Earl D. McLean, Jr. 教授 Cynthia Rudin 的实验室。Rudin 和她的同事专门开发“可解释”的机器学习算法。虽然大多数机器学习模型都是“黑匣子”,人类无法知道它是如何得出结论的,但可解释的机器学习模型本质上必须展示它们的工作。
研究小组首先收集了 2,700 多名患者的脑电图样本,并让 120 多名专家从K线走势图中挑选出相关特征,将其归类为癫痫发作、四种癫痫样事件之一或“其他”。每种类型的事件在脑电图K线走势图中都以波浪线中的特定形状或重复出现。但由于这些K线走势图的外观很少是固定的,因此信号可能会被不良数据干扰,或者混合在一起形成令人困惑的K线走势图。
“这是有事实依据的,但很难解读,”鲁丁实验室的博士生斯塔克·郭 (Stark Guo) 说道。“许多K线走势图本身就具有模糊性,这意味着我们必须训练模型,使其决策处于连续状态,而不是明确界定的独立区间。”
从视觉上看,这个连续体看起来就像一只五彩斑斓的海星游离捕食者。每条不同颜色的手臂代表一种脑电图可能代表的癫痫样事件。算法将特定K线走势图放在手臂末端越近,其决策就越准确,而将K线走势图放在靠近中央身体的位置则不太准确。
除了这种视觉分类之外,该算法还指出了它用来做出判断的脑电波模式,并提供了三个它认为相似的专业诊断K线走势图的示例。
“这让医疗专业人员可以快速查看重要部分,要么同意存在模式,要么决定算法不准确,”鲁丁实验室的博士后研究员阿丽娜·巴内特 (Alina Barnett) 说。“即使他们没有接受过阅读脑电图方面的高级培训,他们也可以做出更明智的决定。”
在算法测试中,协作团队让 8 名具有相关经验的医疗专业人员将 100 个脑电图样本分为六类,一次借助人工智能,一次不用。所有参与者的表现都大大提高,他们的整体准确率从 47% 上涨到 71%。他们的表现也高于之前研究中使用类似“黑箱”算法的人。
“通常,人们认为黑盒机器学习模型更准确,但对于许多重要的应用,比如这个,情况并非如此,”鲁丁说。“当模型可解释时,排除故障要容易得多。在这种情况下,可解释的模型实际上更准确。它还提供了大脑中发生的异常电信号类型的鸟瞰图,这对于危重患者的护理非常有用。”
这项工作得到了美国国家科学基金会(IIS-2147061、HRD-2222336、IIS-2130250、2014431)、美国国立卫生研究院(R01NS102190、R01NS102574、R01NS107291、RF1AG064312、RF1NS120947、R01AG073410、R01HL161253、K23NS124656、P20GM130447)和 DHHS LB606 内布拉斯加州干细胞拨款的支持。
资讯来源:由a0资讯编译自THECOINREPUBLIC。版权归作者A0资讯所有,未经许可,不得转载