Sztuczna inteligencja równa ludzkim ekspertom w analizie EEG?

Elektroencefalografia (EEG) stanowi kluczowe narzędzie diagnostyczne w neurologii, gdyż dostarcza wizualnej reprezentacji aktywności elektrycznej mózgu, ułatwiając wykrywanie różnych zaburzeń neurologicznych. Jednak jednym z głównych wyzwań w złożoność interpretacji EEG, co wymaga wiedzy fachowej, która nie jest powszechnie dostępna, zwłaszcza w regionach świata o niższej dostępności do specjalistów. Tym nie mniej – jak podkreślają autorzy omawianej publikacji – problem dostępności dotyczy również krajów rozwiniętych, gdzie EEG często odczytywane jest przez osoby bez formalnego szkolenia w tej dziedzinie. Pomocne w odczycie EEG mogą być programy wykorzystujące sztuczną inteligencję (SI), jednak  dotychczasowe programy SI do odczytu EEG wykazywały wysokie wskaźniki wyników fałszywie dodatnich i odnajdywały zastosowanie w ograniczonych okolicznościach, takich jak odróżnienie prawidłowego od nieprawidłowego EEG czy wykrycie aktywności padaczkowej. Niektóre z tych programów wykazywały wydajność na poziomie eksperckim w wykrywaniu fal ostrych, ale nie w pełnej interpretacji klinicznej.

Chcąc wypełnić tę wyraźną lukę, przełomowe wieloośrodkowe badanie utworzyło zaawansowany model sieci neuronowej o nazwie SCORE-AI. Model ten zaprojektowano przy użyciu dużego zestawu danych EEG obejmującego zapisy badań z lat 2014–2020, a w jego nauczaniu (treningu) wykorzystano opisy dostarczone przez system SCORE EEG (Standardized Computer-based Organized Reporting of EEG). Celem badania było nie tylko ustalenie możliwości SI w odróżnianiu normalnych wzorców EEG od nieprawidłowych, ale także w celu zwiększenia precyzji analizy dalsze przypisanie nieprawidłowości do różnych klinicznych kategorii.

Wieloośrodkowe badanie uwzględniło zapisy EEG od pacjentów w wieku 3 miesięcy i starszych, którzy nie byli krytycznie chorzy. Naukowcy rozpoczęli od 30 493 zapisów pacjentów, którzy zostali skierowani na EEG: 14 980 to mężczyźni, a mediana wieku wynosiła 25,3 lat. Nagrania zostały opisane przez 17 ekspertów, którzy określili czy są one prawidłowe — jeśli okazały się nieprawidłowe, odnotowali rodzaj zapisu padaczkowego. Wstępne wyniki zostały następnie zweryfikowane przy użyciu trzech niezależnych zestawów danych: 100 EEG ocenionych przez 11 ekspertów, 9 785 EEG z jednego ośrodka ocenionych przez 14 ekspertów oraz 60 EEG w celu porównania z trzema wcześniej opublikowanymi modelami AI.

Ocena 30 493 zapisów EEG okazała się bardzo dobra. SCORE-AI, działający autonomicznie bez ingerencji człowieka, osiągnął wydajność na poziomie ludzkiego eksperta w interpretacji rutynowych klinicznych badań EEG. W wartościach liczbowych potwierdziła to wielkość obszaru pod krzywą ROC (AUC) z wartościami wynoszącymi między 0,89 a 0,96 w całym spektrum nieprawidłowości EEG.
 
Nagrania krótsze niż 20 min. miały mniejszą AUC niż nagrania dłuższe niż 20 min., przy średnich AUC 0,887 i 0,903. Zalety SCORE-AI stały się jeszcze bardziej widoczne po porównaniu z wieloośrodkowymi testowymi danymi standardowymi. SI wykazywała wysoką specyficzność diagnostyczną, precyzję i wartość predykcyjną. Stwierdzono niewielki spadek czułości, ale system niemal doskonale rozpoznawał prawidłowe EEG. Ten aspekt niemal doskonałego rozróżniania prawidłowego od nieprawidłowego EEG może zrewolucjonizować pracę specjalistów, bowiem pozwalałby kierować ich wiedzę specjalistyczną ku bardziej skomplikowanym aspektom diagnozowania padaczki.

Podsumowując, SCORE-AI jawi się jako awangardowy model AI w dziedzinie neurologii. Jego złożony sposób klasyfikacji nieprawidłowości EEG nie tylko wynosi go ponad swoich poprzedników, ale także stawia go w roli czynnika potencjalnie rewolucjonizującego tę dziedzinę. Ponadto jego bezproblemowa integracja z powszechnie używanymi systemami klinicznymi EEG zwiększa możliwość powszechnego zastosowania, omijając potrzebę zakupu specjalistycznego sprzętu. Takie innowacje są kluczowe, zwłaszcza w warunkach pozauniwersyteckich, przychodnianych, gdzie interpretacja EEG jest często ograniczona słabą dostępnością do ekspertów.

Źródło: Tveit J. i wsp. Automated Interpretation of Clinical Electroencephalograms Using Artificial Intelligence. JAMA Neurology. 2023; 80(8): 805¬–812.