基于机器学习的竞赛用于评估新生儿缺氧-缺血性脑病EEG背景模式
信号处理
2025-10-31 v2 机器学习
摘要
机器学习（ML）有潜力支持和改进监测 at-risk 新生儿大脑功能的专家性能。开发准确可靠的ML模型取决于获取高质量、已标注数据，而这一资源相对稀缺。机器学习竞赛通过提供研究人员获取专家标注数据集、通过直接模型比较促进共享学习，以及利用众包多样化专业知识的优势来满足这一需求。我们编译了一个回顾性数据集，包含来自多中心研究的 102 名新生儿的 353 小时的 EEG 数据。数据已完全匿名化，并分为训练、测试和保留验证数据集。对 EEG 进行分级，以评估异常背景模式的严重程度。随后，我们创建了一个基于网页的竞赛平台，并举办了一场机器学习竞赛，以开发用于对新生儿 EEG 背景模式严重程度进行分类的 ML 模型。在竞赛结束后，对前 4 个表现最好的模型在独立的保留验证数据集上进行了离线评估。尽管基于特征的模型在测试数据集上排名第一，但深度学习模型在验证集上表现更好。所有方法在验证性能上都有显著下降，与测试性能相比表现下降。这凸显了在未见数据上进行模型泛化的挑战，强调在新生儿 EEG 的 ML 研究中使用保留验证数据集的重要性。该研究强调，在大型且多样化的数据集上训练 ML 模型以确保稳健泛化的重要性。竞赛结果表明，开放获取数据和协作 ML 开发的潜力，有助于建立协作性研究环境，并加速开发用于新生儿神经监测的临床决策支持工具的开发。
引用
@article{arxiv.2509.09695,
title = {Machine-learning competition to grade EEG background patterns in newborns with hypoxic-ischaemic encephalopathy},
author = {Fabio Magarelli and Geraldine B. Boylan and Saeed Montazeri and Feargal O'Sullivan and Dominic Lightbody and Minoo Ashoori and Tamara Skoric and John M. O'Toole},
journal= {arXiv preprint arXiv:2509.09695},
year = {2025}
}
备注
29 pages, supplementary materials: "supplementary materials ML Comp.docx"