Протокол для создания Открытой Базы РАзмеченных ЭЭГ-Записей (ОБРАЗ)

Актуальность. В настоящее время активно развиваются системы искусственного интеллекта (ИИ) на базе нейронных сетей, которые позволяют проводить автоматический анализ электроэнцефалографических (ЭЭГ) обследований, например выделять эпизоды пароксизмальной активности. Для обучения нейросетевых алгоритмов требуются большие наборы данных.

Цель: сформировать «дорожную карту» проекта Открытой базы размеченных ЭЭГ-записей (проекта ОБРАЗ) для устранения дефицита качественных аннотированных ЭЭГ-данных, пригодных для разработки и обучения алгоритмов ИИ, создания образовательных программ и цифровых атласов ЭЭГ.

Материал и методы. Составлен протокол проекта, включающий сбор нативных ЭЭГ-записей из открытых источников и клинической практики участников проекта, их обезличивание, а также структурированную разметку. Предложена двухуровневая система организации данных: первичная группировка по папкам (например, Normal, Epi, NonEpi) и основная, гибкая классификация с использованием системы меток (тегов) по возрасту, полу, типу обследования, патологии, наличию специфических ЭЭГ-паттернов и т.д. Определены критерии отбора и технические требования к записям (формат, количество каналов, частота дискретизации).

Заключение. «Дорожная карта» проекта ОБРАЗ определяет протокол, логическую последовательность работ, методологию разметки, модель финансирования (некоммерческое партнерство) и решения в области этики и информационной безопасности. Создание такой общедоступной базы данных позволит ускорить разработку отечественных ИИ-алгоритмов для автоматического анализа ЭЭГ. Реализация проекта внесет существенный вклад в развитие медицинских, научных и информационных технологий в области нейрофизиологии.

1. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Искусственный интеллект: основные термины и понятия, применение в здравоохранении и клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17 (3): 409–15. https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.267.

2. Корабельников Д.И., Ламоткин А.И. Эффективность применения искусственного интеллекта в клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (1): 114–24. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.287.

3. Корабельников Д.И., Ламоткин А.И. Искусственный интеллект в онкологии: мировой опыт использования и перспективы развития. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (3): 437–47. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.302.

4. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016; 316 (22): 2402–10. https://doi.org/10.1001/jama.2016.17216.

5. Esteva A., Kuprel B., Novoa R.A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017; 542 (7639): 115–8. https://doi.org/10.1038/nature21056.

6. Корабельников Д.И., Ламоткин А.И. Искусственный интеллект в дерматовенерологии: сравнительный анализ применяемых программ компьютерного зрения на основе моделей машинного обучения. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (4): 571–81. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.340.

7. Ламоткин А.И., Корабельников Д.И. Сверточные нейронные сети и визуальные трансформеры в диагностике опухолей кожи: сравнительный анализ эффективности моделей искусственного интеллекта в программах компьютерного зрения. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (3): 365–75. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.327.

8. Ламоткин А.И., Корабельников Д.И., Олисова О.Ю., Ламоткин И.А. Эффективность предварительной дифференциальной диагностики доброкачественных и злокачественных новообразований кожи с помощью программы искусственного интеллекта Derma Onko Check. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (2): 261–70. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.294.

9. McKinney S.M., Sieniek M., Godbole V., et al. International evaluation of an AI system for breast cancer screening. Nature. 2020; 577 (7788): 89–94. https://doi.org/10.1038/s41586-019-1799-6.

10. Ardila D., Kiraly A.P., Bharadwaj S., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019; 25 (6): 954–61. https://doi.org/10.1038/s41591-019-0447-x.

11. Миронов М.Б., Абрамов М.О., Кондратенко В.В. и др. Применение искусственного интеллекта в диагностике абсансной эпилепсии с одновременным тестированием уровня сознания пациента в период иктального события. Эпилепсия и пароксизмальные состояния. 2024; 16 (1): 8–17. https://doi.org/10.17749/2077-8333/epi.par.con.2024.178.

12. Tveit J., Aurlien H., Plis S., et al. Automated interpretation of clinical electroencephalograms using artificial intelligence. JAMA Neurol. 2023; 80 (8): 805–12. https://doi.org/10.1001/jamaneurol.2023.1645.

13. Иванов А.А. Обзор возможностей современного программного обеспечения для регистрации и анализа ЭЭГ. Эпилепсия и пароксизмальные состояния. 2023; 15 (1): 53–69. https://doi.org/10.17749/2077-8333/epi.par.con.2023.144.

14. Kleen J.K., Guterman E.L. The new era of automated electroencephalogram interpretation. JAMA Neurol. 2023; 80 (8): 777–8. https://doi.org/10.1001/jamaneurol.2023.1082.

15. Bosch-Bayard J., Galan L., Vazquez E.A., et al. Resting state healthy EEG: the first wave of the Cuban normative database. Front Neurosci. 2020; 14: 555119. https://doi.org/10.3389/fnins.2020.555119.

16. Beniczky S., Aurlien H., Brøgger J.C., et al. Standardized computerbased organized reporting of EEG: SCORE. Epilepsia. 2013; 54 (6): 1112–24. https://doi.org/10.1111/epi.12135.

17. Beniczky S., Aurlien H., Brøgger J.C., et al. Standardized computerbased organized reporting of EEG: SCORE – Second version. Clin Neurophysiol. 2017; 128 (11): 2334–46. https://doi.org/10.1016/j.clinph.2017.07.418.

18. Rutkowski J., Saab M. AI-based EEG analysis: new technology and the path to clinical adoption. Clin Neurophysiol. 2025: 179: 2110994. https://doi.org/10.1016/j.clinph.2025.2110994.

19. Shah V., von Weltin E., Lopez S., et al. The Temple University Hospital seizure detection corpus. Front Neuroinform. 2018; 12: 83. https://doi.org/10.3389/fninf.2018.00083.

20. Kemp B., Olivan J. European data format ‘plus’ (EDF+), an EDF alike standard format for the exchange of physiological data. Clin Neurophysiol. 2003; 114 (9): 1755–61. https://doi.org/10.1016/s1388-2457(03)00123-8.

21. Новикова Е.Ю., Иванов А.А. Минимальные стандарты проведения рутинных ЭЭГ-обследований и ЭЭГ сна IFCN & ILAE 2023: общий обзор и оценка применимости в России. Эпилепсия и пароксизмальные состояния. 2024; 16 (3): 281–90. https://doi.org/10.17749/2077-8333/epi.par.con.2024.189.

22. Рекомендации экспертного совета по нейрофизиологии Российской Противоэпилептической Лиги по проведению рутинной ЭЭГ. Эпилепсия и пароксизмальные состояния. 2016; 8 (4): 99–108

23. Jasper H.H. The ten-twenty electrode system of the International Federation. Electroencephalogr Clin Neurophysiol Suppl. 1958; 10: 371–5.

24. Seeck M., Koessler L., Bast T., et al. The standardized EEG electrode array of the IFCN. Clin Neurophysiol. 2017; 128 (10): 2070–7. https://doi.org/10.1016/j.clinph.2017.06.254.

25. Синкин М., Кваскова Н., Ноговицын В. и др. Перевод и адаптация для русского языка пересмотренного глоссария терминов, наиболее часто используемых в клинической электроэнцефалографии, и обновлённого предложения по форме заключения ЭЭГ (IFCN, 2017 г.). Clin Neurophysiol Pract. 2024: 9: 138–61. https://doi.org/10.1016/j.cnp.2024.01.004

26. Lüders H., Noachtar S. Atlas and classification of electroencephalography. Saunders; 2000: 203 pp.

27. Lüders H.O., Noachtar S., Rémi J. Electroencephalography: textbook and atlas. Oxford University Press; 2024: 520 pp.