Научный семинар: "Анализ ЭЭГ методами машинного и глубокого обучения"
Докладчики: Лебедева А.В., Громов Н.В., Мальков А.Е. (ННГУ)
Эпилепсия — распространенное хроническое инвалидизирующее неврологическое расстройство, которым страдают около 50 миллионов человек всех возрастов во всем мире [1, 2]. Одним из самых распространенных методов регистрации нейрональной активности при эпилепсии является электроэнцефалография (ЭЭГ). В записях ЭЭГ различают разные типы графоэлементов, характеризующих разные формы эпилепсии и других видов энцефалопатий. В настоящее время детектирование и расчет индекса эпилептиформной активности (процента эпи активности в исследуемой записи ЭЭГ пациента) производится субъективно лечащим врачом-эпилептологом. Применение машинного обучения может помочь справится с субъективизмом, а также сократить время на обследование одного пациента и, соответственно, сократить время постановки диагноза [3]. Характеристика основных типов эпилепсии и их графоэлементов, расчет индекса эпи активности, а также возможные подходы к анализу данной активности с применением технологий искусственного интеллекта будут рассмотрены в первой части семинара. Кроме того, одним перспективных направлений в ранней постановке диагноза являются исследования не только самих эпилептиформных графоэлементов в записях ЭЭГ, но и анализ возможных нарушений в ритмической активности мозга, которая детектируется в межприступный период (в записях фоновой ЭЭГ) [4]. Анализ характерных признаков ритмической активности в фоновой ЭЭГ будет представлена в заключительной части семинара.
1. Fisher RS, Acevedo C, Arzimanoglou A, Bogacz A, Cross JH, Elger CE, et al. ILAE official report: a practical clinical definition of epilepsy. Epilepsia. (2014) 55:475–82. doi: 10.1111/epi.125502.
2. Scheffer IE, Berkovic S, Capovilla G, Connolly MB, French J, Guilhoto L, et al. ILAE classification of the epilepsies position paper of the ILAE commission for classification and terminology. Epilepsia. (2017) 58:512–21. doi: 10.1111/epi.13709.
3. Lebedeva A. et al. Application of U-Net Neural Network for Automatic Spike Detection in EEG Recordings From Patients with Rolandic Epilepsy //2024 Sixth International Conference Neurotechnologies and Neurointerfaces (CNN). – IEEE, 2024. – С. 102-105.
4. Gromov, N., Lebedeva, A., Kipelkin, I., Elshina, O., Yashin, K., Smirnov, L., ... & Gerasimova, S. The choice of evaluation metrics in the prediction of epileptiform activity //International Conference on Mathematical Modeling and Supercomputer Technologies. – Cham: Springer Nature Switzerland, 2023. – С. 280-293.
5. A.E. Malkov, A.V. Lebedeva, S.A. Gerasimova, T.A. Levanova, L.A. Smirnov, A.A. Sharkov, A.N. Pisarchik. Multiparametric Machine Learning for Predicting Epileptic Hyperexcitability from Interitcal EEG Background Activity // IEEE Transactions on Neural Networks and Learning Systems (Manuscript ID TNNLS-2024-P-36809) (under review)].