Применение искусственного интеллекта в диагностике абсансной эпилепсии с одновременным тестированием уровня сознания пациента в период иктального события

ВВЕДЕНИЕ / INTRODUCTION

Типичные абсансы (ТА) – короткие генерализованные эпилептические приступы, характеризующиеся внезапным изменением уровня сознания, замиранием. Согласно дефиниции абсансы состоят из двух основных компонентов: нарушение сознания, синхронно сопровождающееся электроэнцефалографическими (ЭЭГ) изменениями в виде генерализованных разрядов комплексов «острая – медленная волна» частотой 3 Гц и более [1] (рис. 1).

Для ТА характерно внезапное начало и такое же внезапное завершение. Пациент мгновенно застывает, взгляд устремляется в одну точку. Наблюдается прерывание начатой деятельности [2]. На обращенную к нему речь и жестовые манипуляции больной не реагирует. Постуральный тонус не меняется, и при данном типе приступов падений пациента не отмечается [3]. Констатируется потеря сознания с амнезией на этот период. Уровень нарушения сознания во время приступа может флуктуировать от полного выключения до частичного сохранения памяти на события приступного периода. Постприступная спутанность сознания или сонливость не характерны, и пациенты быстро восстанавливают возможность продолжать прерванную деятельность. Длительность ТА, как правило, составляет не более 10–30 с.

Нарушение сознания может быть единственным клиническим признаком, но часто сочетается с другими симптомами. В связи с этим выделяют простые и сложные ТА. Простые абсансы характеризуются замиранием, прекращением всякой деятельности пациента, фиксированным взглядом. В структуре сложных абсансов отмечается присоединение минимального моторного компонента – миоклонического, атонического, вегетативного, также возможны автоматизмы и иные проявления [2].

ТА входят в структуру трех эпилептических синдромов в рамках идиопатической генерализованной эпилепсии (ИГЭ): детская абсансная эпилепсия (ДАЭ), юношеская абсансная эпилепсия (ЮАЭ), юношеская миоклоническая эпилепсия (ЮМЭ) [4][5]. Клинические проявления ТА схожи, но при этом имеются клинико-электроэнцефалографические отличительные особенности указанного типа приступов при данных синдромах. Так, возраст дебюта при ДАЭ составляет 4–10 лет (возможен диапазон от 2 до 13 лет), при ЮМЭ – 9–13 лет (с диапазоном от 8 до 20 лет). Также отличается частота возникновения абсансов: для ДАЭ характерные частые, ежедневные приступы [6], при ЮАЭ и ЮМЭ типичные абсансы возникают реже. Продолжительность ТА при ДАЭ составляет 3–20 с [7], при ЮАЭ – 2–30 с, при ЮМЭ наблюдаются короткие приступы – 3–8 с. Для абсансов при ДАЭ характерно полное выключение сознания, тогда как при ЮАЭ и ЮМЭ возможна флуктуация сознания.

ЭЭГ-паттерн ТА имеет крайне схожую морфологическую структуру, а именно появление ритмичных регулярных высокоамплитудных генерализованных билатерально-синхронных разрядов комплексов «острая – медленная волна» [4] (рис. 2). При этом в период возникновения ТА могут отличаться частотные характеристики приступных разрядов в рамках разных синдромов ИГЭ. Так, для абсансов при ДАЭ частотный диапазон иктальных генерализованных разрядов в первые секунды составляет от 2,5 до 4 Гц [8], при ЮАЭ и ЮМЭ билатеральные пик-волновые разряды имеют частоты от 3 до 5,5 Гц [2].

Также ТА могут встречаться и при генетических генерализованных эпилепсиях [9]. В частности, при эпилепсии с эпилептическим миоклонусом век, а также при эпилепсии с миоклоническими абсансами в период приступов регистрируется ритмичная регулярная генерализованная пик-волновая активность частотой 3 Гц [5], которую можно локализовать с помощью методов математической обработки ЭЭГ-сигнала (рис. 3).

Для диагностики ТА принципиально важно выявление факта изменения уровня сознания в момент приступа. В настоящее время на практике во время проведения продолженного видео-ЭЭГ-мониторинга в выявлении ТА и определении уровня сознания пациента в период приступа могут возникать сложности. Например, в случае коротких абсансных приступов факт выключения сознания достаточно трудно определить ввиду их кратковременности (не более 2–5 с), и внешне данные пароксизмы могут практически не отличаться от повседневной двигательной активности пациента. Клинически абсансы, возникающие в период коротких генерализованных билатерально-синхронных разрядов комплексов «пик, полипик – волна» на ЭЭГ, могут проявляться незначительными запинками в речи, едва заметным миоклоническим компонентом в виде подергивания бровей, ресниц с заведением глазных яблок вверх. При этом выявление изменения уровня сознания (основного критерия абсансного приступа) возможно, как правило, лишь при длительном непрерывном разговоре, чтении или счете.

Отдельно рассматривают так называемые фантомные абсансы – приступы, протекающие незаметно для пациента и/или для окружающих. Характерна флуктуация уровня сознания в иктальный период. Выключение сознания и замирание при этом может выявляться в первые несколько секунд от начала приступа. Далее, как правило, больной может выполнять простые инструкции на фоне продолжающегося разряда генерализованной пик-волновой активности на ЭЭГ. Клинически в период приступа пациент может приостановить начатую деятельность, возможна незначительная гипомимия лицевой мускулатуры с миоклоническим компонентом или без него в периорбитальной мускулатуре, в момент разговора могут отмечаться запинки, повторение отдельных слов, прекращение речи.

Для оценки уровня сознания пациента в период иктального события в условиях видео-ЭЭГ-лаборатории обычно техник, проводящий обследование, выполняет тестирование больного, задавая ему вопросы и/или давая простые команды. Работа техников по оценке уровня сознания осложнена тем, что продолжительность абсансов скоротечна, а клинические проявления порой незначительны. Поэтому в условиях лаборатории видео-ЭЭГ-мониторинга в диагностике абсансов возможны ошибки в тестировании со стороны персонала. К наиболее частым можно отнести:

• тестирование пациента уже после иктального разряда;
• полное отсутствие тестирования;
• невнятно предложенные задания.

С учетом сложностей в выявлении абсансов и оценке уровня сознания у пациентов с эпилепсией крайне актуальна разработка цифровых программ с целью автоматической регистрации и тестирования данного типа эпилептических приступов и их ЭЭГ-паттернов, в т.ч. на основе искусственного интеллекта.

Цель – разработка алгоритма автоматического выявления абсансных приступов для тестирования уровня сознания пациента в режиме реального времени при проведении длительного видео-ЭЭГ-мониторинга.

МАТЕРИАЛ И МЕТОДЫ / MATERIAL AND METHODS

Разрабатываемый алгоритм должен обладать достаточной точностью, скоростью работы и малой временной задержкой обнаружения момента начала эпизода абсансной эпиактивности.

Алгоритм работы системы проверки уровня сознания пациента может быть представлен в виде блок-схемы (рис. 4). В качестве рабочей площадки для реализации этого алгоритма была выбрана программа «Нейрон-Спектр. NET»¹. В данном программном обеспечении уже реализован алгоритм детектирования эпилептиформной активности, основанный на принципе спектрального анализа [10]. Однако использовать его для своевременной выдачи голосовой команды пациенту в момент начала абсанса оказалось невозможно, т.к. алгоритму требуется как минимум несколько секунд записи для определения наличия эпилептической активности, а абсансный приступ, как отмечалось выше, скоротечен.

Классические алгоритмы онлайн-детектирования эпилептиформной активности [10–13] не обладают достаточной точностью или скоростью реакции для оценки уровня сознания пациента в реальном времени, а предложенные ранее нейросетевые методы [14][15] затруднительно использовать в реальном времени на центральном обрабатывающем устройстве (англ. central processing unit, CPU) ввиду их высокой вычислительной сложности. Поэтому командой разработчиков было принято решение в качестве основы детектора использовать искусственную нейронную сеть.

Требования к новому алгоритму обнаружения абсансного приступа / Requirements for a new algorithm of absence seizure detecting

Исходя из специфики поставленной задачи, к новому детектору были предъявлены следующие требования:

• высокая чувствительность (должна обеспечивать надежное срабатывание детектора при появлении абсансного приступа);
• малое время задержки – детектор должен определить начало абсансного приступа в первые 1–2 с его возникновения, чтобы своевременно выдать голосовую команду для пациента (именно этому требованию не соответствуют многие алгоритмы детектирования).

Сбор и разметка ЭЭГ-обследований с абсансными приступами для обучения искусственной нейронной сети / Collecting and marking EEG examinations with absence seizures for artificial neural network training

Точность работы нейросетевого детектора напрямую зависит от размера и качества разметки базы ЭЭГ-обследований, которые были использованы для его обучения. Если разметка событий в базе содержит большой процент ошибок, то качественно обучить нейронную сеть не получится. Сбором и разметкой базы занимались двое врачей-эпилептологов из состава команды исследователей. Разметка моментов времени начала и окончания абсансных приступов проводилась обоими специалистами независимо. Инженерами была выполнена дополнительная проверка разметки. В обучении использовались типовые эпизоды, в которых мнение экспертов совпало.

В базу ЭЭГ-обследований вошли обезличенные данные 15 пациентов с подтвержденным диагнозом абсансной эпилепсии. В общей сложности было размечено 58 ч 19-канальных записей ЭЭГ с монополярным монтажом (всего 313 эпизодов абсансных приступов), зарегистрированных в соответствии с международной системой «10–20%» [16][17].

Сформированной базы оказалось недостаточно для качественного обучения нейронной сети. Поэтому ее размер был увеличен искусственным путем с помощью следующих приемов:

• смешивание фоновых записей и фрагментов с типовыми эпизодами абсансных приступов (в качестве фоновых записей использовали ЭЭГ-сигналы, полученные у здоровых пациентов, совокупная длительность фоновых записей составила 678 ч, из которых 362 ч применяли для обучения и 316 ч – для тестирования нейронной сети);
• незначительные искажения сигнала, такие как растяжение и сжатие по оси времени, добавление шума.

Для разработки алгоритма использовали три набора данных: обучающая, валидационная и тестовая выборки. Обучающую выборку применяли для подбора параметров нейронной сети, валидационную – для контроля переобучения (сеть считается переобученной, если она не способна корректно работать на данных, которые не использовались в процессе обучения). Тестовая выборка нужна была для оценки точности обученной нейронной сети. Формирование валидационной и тестовой выборок осуществляли с помощью данных обследований, которые не входили в обучающую выборку.

В результате синтезирования эпизодов было сформировано 500 тыс. элементов обучающей выборки. Элементом обучающей выборки является пара (V, P), где V – фрагмент одноканального сигнала длительностью 6 с при частоте 250 Гц, а P – вероятность события эпиактивности в последние 2 с рассматриваемого временного отрезка. Значение P принимали равным 1, если длительность эпизода эпиактивности в последние 2 с фрагмента превышала 1 с. В противном случае P = 0. Набор элементов данного вида составил базу для обучения нейронной сети.

Аналогичным образом была сформирована валидационная выборка, состоящая из 10 тыс. элементов.

Оценку качества разработанного детектора проводили на записях общедоступной базы ЭЭГ-обследований [18][19], где присутствовали размеченные абсансные приступы. Тестовая база включала 20 записей общей длительностью около 6,5 ч и содержала 99 эпизодов абсансных приступов.

Этические аспекты / Ethical aspects

Так как в данной работе использовались ЭЭГ-обследования пациентов с подтвержденным диагнозом эпилепсии, все данные были обезличены на этапе отбора до включения в обработку. В ходе исследования использовались только ЭЭГ-сигналы без их привязки к персональным данным. Также для тестирования точности работы нейросетевого алгоритма применялись данные из общедоступных баз ЭЭГ-обследований здоровых лиц и пациентов с подтвержденным диагнозом эпилепсии. Следует отметить, что в настоящее время ведутся активные дискуссии о правомерности использования обезличенных медицинских данных без обозначенного в явной форме согласия пациентов для тренировки больших языковых моделей и искусственного интеллекта, однако консенсус в этом вопросе пока не достигнут. Тем не менее сбор и структурирование больших массивов обезличенных медицинских данных открывает новые возможности в создании передовых методов диагностики и лечения.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ / RESULTS AND DISCUSSION

В результате работы группы авторов был разработан нейросетевой алгоритм детекции абсансных приступов и автоматизированной оценки уровня сознания пациента во время иктального события.

Описание алгоритма / Algorithm description

Разработанный алгоритм можно представить в виде схемы (рис. 5).

Формирование фрагмента сигнала

На вход алгоритма приходит порция данных, представляющая собой фрагмент многоканального сигнала ЭЭГ длительностью 0,5 с, с частотой дискретизации 250 Гц. Посредством накопления полученных порций данных формируется фрагмент сигнала, соответствующий последним 6 с регистрации. Таким образом, каждые 0,5 с на анализ отправляется 6-секундный фрагмент.

Детектирование эпиактивности на усредненном канале

По сформированному фрагменту проводится расчет усредненного по всем каналам сигнала ЭЭГ, для которого выполняется проверка наличия эпиактивности с помощью нейросетевого бинарного классификатора. Он представляет собой сверточную нейронную сеть с 1500 входами (6 с сигнала частотой 250 Гц) и одним выходом (оценка вероятности события абсансного приступа). Данный этап позволяет выполнить первичную проверку на возможное наличие эпиактивности. Абсанс считается возможным, если на выходе классификатора было получено значение оценки вероятности приступа выше 0,5. Если вероятность ниже, то данный фрагмент не требует дальнейшего анализа. Это позволяет уменьшить объем вычислений.

Детектирование эпиактивности на каждом канале ЭЭГ

Для каждого канала ЭЭГ применяется нейросетевой бинарный классификатор, описанный в предыдущем пункте. Событие на канале считается обнаруженным, если на выходе классификатора вероятность наличия абсанса превысила фиксированный порог T_c (по умолчанию 0,8). Если доля каналов с эпиактивностью превышает порог T_g (по умолчанию 0,8), то считаем, что текущий фрагмент содержит событие абсансного приступа. Порог T_g необходим для проверки активности на генерализованность (наличия активности на всех отведениях ЭЭГ).

Реализация бинарного классификатора / Implementation of binary classifier

Экспериментальным путем была подобрана архитектура нейронной сети для бинарной классификации. Выбор приведенной архитектуры обоснован небольшим числом параметров и рядом численных экспериментов. Использовано небольшое число параметров, поскольку алгоритм обнаружения абсансного приступа должен работать в реальном времени на CPU.

Разработанная нейросетевая модель включает 83 361 параметр. В схожих по задаче работах [14][15] число параметров моделей существенно (в десятки раз) превышает используемое авторами настоящей работы.

В качестве целевой функции выступала бинарная кросс-энтропия, в качестве метода оптимизации – алгоритм Adam [20] c ранней остановкой и сохранением лучшей модели по качеству на валидационной выборке. В случае неуменьшения ошибки на валидационной выборке на протяжении 7 эпох процесс обучения останавливался. Также для борьбы с переобучением использовался Dropout [21] с прореживанием 30% на 9-м слое (перед полносвязными слоями).

Обучение модели было проведено 100 раз с различными начальными приближениями. Из обученных моделей выбрана лучшая, имеющая наименьшую ошибку на валидационной выборке.

Обученная модель имела точность классификации 99,15% на обучающей выборке и 98,05% на тестовой.

Сравнительный анализ / Comparative analysis

Выполнен анализ точности реализованного алгоритма обнаружения абсансных приступов по сравнению с некоторыми существующими алгоритмами других авторов [11–14] (табл. 1).

Следует отметить, что провести объективное сопоставление алгоритмов затруднительно ввиду отличия наборов записей, по которым проводился расчет точности. Тем не менее сравнительный анализ показывает, что предложенный в настоящей работе метод является сопоставимым по качеству, а по некоторым параметрам превосходит другие подходы.

Среднее время, необходимое для анализа предложенным алгоритмом 1-часовой 19-канальной ЭЭГ-записи (частота дискретизации 250 Гц) на компьютере с процессором 11^th Gen Intel(R) Core(TM) i5-11400 2.60 GHz, составило 11,5 с. При работе в реальном времени при регистрации ЭЭГ на анализ 1 с записи в среднем необходимо около 3,2 мс процессорного времени.

Внедрение в клиническую практику / Implementation into clinical practice

Предложенный метод обнаружения абсансных приступов обладает достаточной точностью и скоростью работы, чтобы использовать его в качестве триггера для воспроизведения заранее записанных голосовых команд пациенту с целью оценки уровня его сознания во время иктального события.

Нейросетевой алгоритм детектора абсансных приступов был интегрирован в программное обеспечение для регистрации и анализа ЭЭГ «Нейрон-Спектр. NET», в котором проведен контроль работы данного алгоритма на тестовой выборке данных. Разработанный алгоритм предполагается использовать в системе оценки уровня сознания пациента, изображенной на рисунке 6. Как только нейросетевой алгоритм детектирует начало абсансного приступа, программа воспроизводит голосовую команду для пациента через динамик видеокамеры, на которую ведется видеозапись, или на отдельную звуковую колонку в палате больного. Реакция пациента на воспроизведенную команду отслеживается по видеозаписи.

Предложенный алгоритм в настоящее время внедрен в программу «Нейрон-Спектр. NET» и проходит всестороннее тестирование в лаборатории компании «Нейрософт» (Россия). В дальнейших планах группы исследователей стоит задача клинической апробации нейросетевого детектора абсансной эпилепсии с автоматизированной оценкой уровня сознания пациента в период иктального события в составе ЭЭГ-систем «Нейрон-Спектр-1.4» (регистрационное удостоверение № ФСР 2009/04073), «Нейрон-Спектр-5, -5S» (№ ФСР 2008/03363, № ФСР 2008/03364), «Нейрон-Спектр-61, -65» (№ РЗН 2019/8123), «Нейрон-Спектр-СМ» (№ РЗН 2016/4807) с применением ЭЭГ-электродов (№ РЗН 2017/5783) и электродных систем (№ РЗН 2023/20725).

При успешном внедрении в клиническую практику данный алгоритм позволит существенно упростить работу ЭЭГ-техника по оценке уровня сознания пациента во время абсансного приступа, а также повысить эффективность проводимого видео-ЭЭГ-мониторинга.

Активное развитие искусственного интеллекта в настоящее время не обходит стороной медицину. Алгоритмы на базе нейронных сетей уже активно используются в различных медицинских изделиях, а в будущем их доля будет только расти. Подобные инструменты позволяют существенно сократить рутинную нагрузку на специалистов, проводящих анализ ЭЭГ-обследований и расширить доступный для использования инструментарий [22].

ЗАКЛЮЧЕНИЕ / CONCLUSION

В настоящей работе показана эффективность применения нейросетевого подхода при анализе ЭЭГ в реальном времени. Авторы полагают, что в будущем возможно использование нейронных сетей не только для оценки уровня сознания пациента, но и для купирования возникающего приступа посредством стимуляции.

В дальнейшем планируется улучшение эффективности предложенного алгоритма за счет увеличения базы размеченных обследований и повторного обучения нейросетевой модели.