人工智能模型解读脑电图的准确性近乎完美

科学家们训练了一种自动人工智能（AI）模型，用于读取疑似癫痫患者的脑电图（EEGs），新数据显示，该模型与经过训练的神经科医生一样准确。

该AI模型被称为SCORE-AI，用于区分异常和正常的脑电图记录，并将异常记录分类为特定类别，对患者决策至关重要。

研究人员Sándor Beniczky博士在《美国医学会杂志—神经病学》播客中表示：“在贫困地区，SCORE-AI可以代替缺乏专业知识的专家；而在工作量巨大的地区，SCORE-AI可以帮助医生预先筛选或预先评价记录——我们都可以从人工智能中受益。”

Beniczky博士是丹麦奥胡斯大学的临床神经生理学教授。2023年6月20日，《美国医学会杂志—神经病学》线上发表了该研究结果。

人工智能用于医学

人工智能通过可靠地解决患者的疑问和帮助放射科医生，正逐渐在医学领域站稳脚跟。为了将人工智能应用于脑电图解读，研究人员开发并验证了一种人工智能模型，该模型能够评估疑似癫痫患者的常规临床脑电图。

除了能够区分脑电图记录的异常和正常外，研究人员还希望通过训练，人工智能可以将异常记录进行分类，分类成与疑似癫痫患者的临床决策最相关的主要类别。这些类别包括癫痫样局灶性、癫痫样全身性、非癫痫样局灶性和非癫痫样弥漫性异常。

研究人员使用EEG标准化计算机组织报告（SCORE）软件来训练该学习模型。

在开发阶段，该模型使用了超过30490份匿名和高度注释的脑电图记录进行训练，这些记录来自一个单中心的14100名男性（中位年龄25岁）。这些记录的平均时长为31分钟，由17名神经病学医生使用规范化标准进行了解读。如果脑电图记录异常，这些医生必须指出存在哪些异常特征。

随后，SCORE-AI根据这些专家们的输入对这些记录进行了分析。

为了验证这些发现，研究人员使用了两个独立的测试数据集。第一个数据集包含100个代表性常规脑电图，来自61名男性（中位年龄26岁），由来自不同中心的11名神经病学医生进行了评估。

这些评估的共识作为参考标准。第二个数据集包含来自一个中心的近10000个脑电图（5170名男性；中位年龄35岁），由14名神经病学医生独立评估。

准确性近乎完美

与这些专家相比，SCORE-AI的准确性近乎完美，在区分正常和异常EEG记录方面，受试者工作特征（AUROC）曲线下面积为0.95。

SCORE-AI在区分类别方面同样表现良好：全身性癫痫样异常（AUROC，0.96）、局灶性癫痫样异常（AUROC，0.91）、局灶性非癫痫样异常（AUROC，0.89）和弥漫性非癫痫样异常（AUROC，0.93）。

此外，SCORE-AI与临床医生的意见非常一致，有时与单个医生的一致性超过了医生彼此之间的一致性。

Beniczky博士及其团队将SCORE-AI与之前发布的三个AI模型进行了对比，在特异性方面，SCORE-AI优于这三个模型（90% vs 3%-63%），但敏感性方面不如其中的两个模型（86.7% vs 96.7%和100%）。

该研究的局限性之一是，SCORE-AI的开发和验证只使用了常规脑电图，排除了新生儿和危重患者。

在一篇附带的社论中，Jonathan Kleen博士和Elan Guterman博士表示：“SCORE-AI在开发和验证中所采取的总体方法为此类工作奠定了标准。SCORE-AI技术的出现可能会改善全球5000万癫痫患者的脑电图可用性和临床护理。”