要点
问题当人类专家无法识别头皮脑电图(EEG)上的海马癫痫样活动(HEA)时，是否可以训练计算机算法来检测这种活动?
发现在这项141名符合条件的参与者的诊断研究中，使用头皮脑电图和颅内记录的综合数据集，训练了一种深度学习算法来检测头皮脑电图上的HEA。该算法在单事件水平上准确检测HEA，并在临床相关指标上表现良好，包括HEA的量化和偏侧化以及颞叶癫痫的诊断。
意义本研究的结果表明，一种计算算法可以无创地从头皮脑电图中检测HEA，并可能改善癫痫和其他脑部疾病的诊断和治疗。
重要性海马体是一个高度致痫的大脑区域，但超过90%的海马体癫痫样活动(HEA)无法被人类专家在头皮脑电图(EEG)上识别出来。目前，HEA的检测需要颅内电极，这限制了我们对HEA在脑部疾病中的作用的认识。
客观的开发并验证一种机器学习算法，该算法可以在不需要颅内电极的情况下，从标准头皮脑电图中准确检测HEA。
设计，设置和参与者在2008年至2021年进行的这项诊断研究中，研究人员使用颞叶癫痫(TLE)患者和健康对照(hc)的脑电图数据来训练和验证深度神经网络HEAnet，以检测头皮脑电图上的HEA。参与者在2家学术医院的三级癫痫中心进行评估:马萨诸塞州总医院(MGH)或布莱根妇女医院(BWH)。纳入研究的患者年龄在12至78岁之间，临床诊断为TLE和hc，但没有癫痫。有颅内手术史的TLE和hc患者被排除在研究之外。
曝光同时颅内脑电图和/或头皮脑电图。
主要成果和措施使用交叉验证的受试者工作特征曲线(AUC ROC)和精确召回率曲线(AUC PR)下的面积以及其他临床相关指标来评估性能。
结果HEAnet使用来自141名符合条件的参与者(97名患有TLE, 44名没有癫痫的hc)的方便样本的数据集进行训练和验证，这些参与者的回顾性脑电图数据很容易获得。数据集1包括51例TLE患者的同时头皮EEG和颅内电极记录(平均[SD]年龄40.7[15.9]岁;30人[59%])。此外，还创建了一个自动生成的训练数据集，其中包含972 095个HEA阳性样本，以及一个由专家注释的测试数据集，其中包含22 762个HEA阳性样本。在2个独立的头皮EEG数据集上验证了HEAnet的性能:(1)数据集2(在MGH;TLE 24例，hc 20例;平均[SD]年龄42.3[16.2]岁;17名男性[39%])和(2)数据集3(在BWH;TLE 22例，hc 24例;平均[SD]年龄43.0[14.4]岁; 20 men [43%]). For single-event detection of HEA on data set 1, HEAnet achieved a mean (SD) AUC ROC of 0.89 (0.01) and a mean (SD) AUC PR of 0.39 (0.03). On external validation with data sets 2 and 3, HEAnet accurately distinguished TLE from HC (AUC ROC of 0.88 and 0.95, respectively) and predicted epilepsy lateralization with 100% and 92% accuracy, respectively. HEAnet tracked dynamic changes in HEA in response to seizure medication adjustments and performed comparably with human experts in diagnosing TLE from 1-hour scalp EEG recordings, diagnosing TLE in several individuals that experts missed. Without reducing specificity, addition of HEAnet to human expert EEG review increased sensitivity for diagnosing TLE in humans from 50% to 58% to 63% to 67%.
结论与相关性这项诊断研究的结果表明，HEAnet提供了一种新的、无创的、定量的、临床相关的人类海马高兴奋性生物标志物。