异常临床脑电图的自动检测：微调基础模型与两个深度学习模型的比较
神经元与认知
2025-05-29 v1 机器学习
信号处理
摘要
医生通常使用脑电图来诊断众多神经系统疾病。由于需要解读的 EEG 数量庞大且涉及特定专业知识，正在开发基于人工智能的工具以辅助其视觉分析。在本文中，我们在将整段 EEG 记录分类为正常或异常的任务中，比较了两个深度学习模型（CNN-LSTM 和基于 Transformer 的模型）与最近提出的基础模型 BioSerenity-E1。这三个模型在 2,500 份 EEG 记录上进行了训练或微调，其性能在两个私有数据集和一个公开数据集上进行了评估：一个由单一专家标注的大型多中心数据集（数据集 A，包含 n = 4,480 份记录）、一个由三位专家标注的小型多中心数据集（数据集 B，n = 198），以及 Temple University Abnormal (TUAB) EEG 语料库评估数据集（n = 276）。在数据集 A 上，三个模型均达到了至少 86% 的平衡准确率，其中微调后的 BioSerenity-E1 取得了最高的平衡准确率（89.19% [88.36-90.41]）。微调后的 BioSerenity-E1 在数据集 B 上也取得了最佳性能，平衡准确率为 94.63% [92.32-98.12]。随后，这些模型在 TUAB 评估数据集上进行了验证（其对应的训练集在训练期间未被使用），它们达到了至少 76% 的准确率。具体而言，微调后的 BioSerenity-E1 优于其他两个模型，达到了 82.25% [78.27-87.48] 的准确率。我们的结果突显了利用预训练模型进行自动 EEG 分类的实用性：能够以更少的资源和更广的适用性，实现对 EEG 数据的稳健且高效的解读。
引用
@article{arxiv.2505.21507,
title = {Automatic detection of abnormal clinical EEG: comparison of a finetuned foundation model with two deep learning models},
author = {Aurore Bussalb and François Le Gac and Guillaume Jubien and Mohamed Rahmouni and Ruggero G. Bettinardi and Pedro Marinho R. de Oliveira and Phillipe Derambure and Nicolas Gaspard and Jacques Jonas and Louis Maillard and Laurent Vercueil and Hervé Vespignani and Philippe Laval and Laurent Koessler and Ulysse Gimenez},
journal= {arXiv preprint arXiv:2505.21507},
year = {2025}
}
备注
20 pages, 7 figures