国际快递 · 清关 · 代拍

海外古董 · 艺术品 · 名画 · 名表

【FuninUSA.NET综合报道】杜克大学的研究人员开发出一种辅助机器学习模型，大大提高了医疗专业人员阅读重症监护病人脑电图（EEG）图表的能力。

由于脑电图读数是了解昏迷病人何时有癫痫发作危险或发生类似癫痫发作事件的唯一方法，因此这种计算工具每年可以帮助挽救成千上万人的生命。该研究成果于 5 月 23 日在线发表在New England Journal of Medicine AI上。

脑电图使用连接在头皮上的小型传感器来测量大脑的电信号，从而产生一长串上下移动的斜线。当病人癫痫发作时，这些线会像地震时的地震仪一样急剧上下跳动，这种信号很容易识别。但是，被称为癫痫发作样事件的其他医学上重要的异常现象却更难辨别。

马萨诸塞州总医院和哈佛大学医学院神经病学副教授布兰登-韦斯特弗（Brandon Westover）博士说："我们正在研究的大脑活动存在于一个连续体中，癫痫发作是其中一端，但中间仍有许多事件也会造成伤害，需要药物治疗。由这些事件引起的脑电图模式更难识别和准确分类，即使是训练有素的神经科医生也很难做到，而不是每个医疗机构都有这样的医生。但这样做对这些患者的健康结果极为重要。"

为了建立一个工具来帮助做出这些判断，医生们求助于 Cynthia Rudin 的实验室，她是 Earl D. McLean, Jr. Cynthia Rudin 是杜克大学计算机科学和电气与计算机工程系的教授。Rudin和她的同事擅长开发"可解释"的机器学习算法。大多数机器学习模型都是一个"黑盒子"，人类不可能知道它是如何得出结论的，而可解释的机器学习模型基本上必须展示它们的工作。

研究小组首先收集了 2700 多名患者的脑电图样本，然后让 120 多名专家挑选出图表中的相关特征，将其归类为癫痫发作、四种类似癫痫发作的事件之一或"其他"。每种类型的事件在脑电图图中都会表现为起伏线条中的某些形状或重复。但是，由于这些图表的外观很少是固定不变的，提示信号可能会被不良数据打断，也可能混合在一起，形成一个混乱的图表。

在Rudin实验室工作的博士生斯塔克-郭（Stark Guo）说："有一个基本事实，但很难读懂。"许多图表中固有的模糊性意味着，我们必须训练模型将其决策置于一个连续体中，而不是定义明确的独立箱中。

从视觉上看，这个连续体就像一只游离捕食者的五彩海星。每个不同颜色的臂代表脑电图可能代表的一种类似癫痫发作的事件。算法将特定图表置于臂尖的位置越近，它的判断就越准确，而那些靠近中心体的图表则不那么确定。

除了这种视觉分类外，该算法还指出了它用来做出判断的脑电波模式，并提供了三个它认为类似的专业诊断图表示例。

Rudin实验室的博士后助理研究员阿琳娜-巴尼特（Alina Barnett）说："这可以让医学专家快速查看重要部分，要么同意这些模式存在，要么判定算法有误。即使他们没有接受过阅读脑电图的严格训练，他们也能做出更有根据的决定"。

为了对算法进行测试，合作团队让八位具有相关经验的医学专家将 100 份脑电图样本分为六类，其中一次有人工智能的帮助，另一次没有。所有参与者的表现都大大提高，总体准确率从 47% 提高到 71%。他们的表现也超过了之前一项研究中使用类似"黑盒"算法的人。

Rudin说："通常，人们认为黑盒机器学习模型更准确，但对于许多重要的应用来说，比如这个应用，事实并非如此。"如果模型是可解释的，那么排除故障就容易得多。在这种情况下，可解释模型实际上更加准确。它还提供了大脑异常电信号类型的鸟瞰图，这对危重病人的护理非常有用。

这项工作得到了美国国家科学基金会（IIS-2147061、HRD-2222336、IIS-2130250、2014431）、美国国立卫生研究院（R01NS102190、R01NS102574、R01NS107291、RF1AG064312、RF1NS120947、R01AG073410、R01HL161253、K23NS124656、P20GM130447）和美国卫生与健康部（DHHS）LB606内布拉斯加州干细胞基金的支持。

欢迎到FuninUSA.NET论坛讨论