规模化卷积神经网络实现新生儿 EEG 的专家水平癫痫检测

背景：新生儿癫痫是一种神经紧急症，需要紧急治疗。临床上难以诊断，如果无法进行 EEG 监测，癫痫事件可能被 undetected。EEG 解读需要专业知识，而这类专长在临床上并不广泛可用。基于 EEG 癫痫检测的算法可解决这一限制，但尚未实现广泛的临床应用。方法：本研究使用 332 名新生儿的回顾性 EEG 数据开发和验证癫痫检测模型。该模型在标注了超过 12000 例癫痫事件（按通道标注）的开发数据集 ($n=202$) 上进行训练和测试。该数据集用于开发采用现代体系结构和训练方法的卷积神经网络 (CNN)。最终模型随后在两个独立的多评审者数据集 ($n=51$ 和 $n=79$) 上进行验证。结果：随着数据规模和模型规模的增加，模型性能得到提升：Matthews 相关系数 (MCC) 和 Pearson 相关系数 ($r$) 在数据规模化时提升最高可达 50%，在模型规模化时提升最高可达 15%。用于训练参数为 2100 万的模型，已处理超过 5 万小时的标注单通道 EEG。该 CNN 在公开数据集上实现了最新成果（MCC=0.764，$r=0.824$，AUC=0.982）。CNN 在两个保留的验证集上均达到了专家水平的性能，专家之间的评估一致性与专家与算法之间的评估一致性之间不存在显著差异（$\Delta \kappa < -0.095$，$p>0.05$）。结论：通过数据规模和模型规模的数量级增长，我们生产了用于新生儿癫痫检测的新型最新成果模型。在完全不可见的数据上实现了专家水平的等效性，这在该领域首次实现，表明该模型已准备好进行进一步的临床验证。