Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection

要約

新生児期は発作が最も起こりやすい時期です。
未熟な脳の発作は有害な結果を引き起こすため、早期の診断が必要です。
現在、新生児発作検出のゴールドスタンダードは、継続的なビデオ脳波モニタリングに依存しています。
これには、新生児集中治療室 (NICU) 内でリアルタイムのビデオ監視と並行してマルチチャネル脳波 (EEG) を記録することが含まれます。
ただし、ビデオ脳波モニタリング技術には臨床専門知識が必要であり、多くの場合、技術的に高度でリソースが豊富な環境に限定されます。
費用対効果の高い新しい技術は、医療団体が正確な診断を下し、遅滞なく治療を提唱するのに役立つ可能性があります。
この研究では、畳み込みネット、グラフ注意層、全結合層を使用して、EEG モンタージュを削減して新生児発作検出プロセスを自動化する、新しい説明可能な深層学習モデルが提案されています。
このモデルは、縮小されたモンタージュを使用してリアルタイムで発作を検出する機能に加えて、リアルタイムの解釈可能性という独自の利点を提供します。
Zenodo データセットのパフォーマンスを 10 分割交差検証で評価することにより、提示されたモデルは、曲線下面積 (AUC) と再現率でそれぞれ 8.31% と 42.86% の絶対的な改善を達成しました。

要約(オリジナル)

The neonatal period is the most vulnerable time for the development of seizures. Seizures in the immature brain lead to detrimental consequences, therefore require early diagnosis. The gold-standard for neonatal seizure detection currently relies on continuous video-EEG monitoring; which involves recording multi-channel electroencephalogram (EEG) alongside real-time video monitoring within a neonatal intensive care unit (NICU). However, video-EEG monitoring technology requires clinical expertise and is often limited to technologically advanced and resourceful settings. Cost-effective new techniques could help the medical fraternity make an accurate diagnosis and advocate treatment without delay. In this work, a novel explainable deep learning model to automate the neonatal seizure detection process with a reduced EEG montage is proposed, which employs convolutional nets, graph attention layers, and fully connected layers. Beyond its ability to detect seizures in real-time with a reduced montage, this model offers the unique advantage of real-time interpretability. By evaluating the performance on the Zenodo dataset with 10-fold cross-validation, the presented model achieves an absolute improvement of 8.31% and 42.86% in area under curve (AUC) and recall, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google