新研究用AI預測癲癇發作，準確率達99.6%
- 2019 年 12 月 18 日
- 筆記
大數據文摘出品
來源：techcrunch
編譯：張大筆茹、陳若朦
癲癇（其英語為Epilepsy，源自古希臘文中的動詞 「ἐπιλαμβάνειν」，意為「折磨」），對於我們來說並不是一種陌生的病症。這是一種長期性神經系統疾病，可由腦電圖確診大腦皮質神經細胞異常。
癲癇的特點是長期反覆發作抽搐。這些發作可能因涉及的腦部區域和病人年齡有好幾種不同形式。癲癇的根本病因是遺傳性、器質性精神病，或者代謝異常。少數病例由腦部外傷導致，例如、中風、腦腫瘤、服毒或酗酒，但不會因為感染而引發。
根據世界衛生組織(world Health Organization)的數據，全世界約有5000萬的癲癇病人。大腦中細胞之間的電子訊號交換有誤時會引起癲癇發作，然而這往往很少、甚至沒有提前預警。
於是，路易斯安那大學拉斐特分校的兩名研究人員Hisham Daoud和Magdy Bayoumi針對癲癇病發，開發了一種新的AI驅動模型——可以在發病前一小時內預測癲癇的發生率，準確率為99.6％。
新預測模型，準確率99.6%
預測癲癇發作並非易事，尤其是對人工智慧而言。機器學習系統本質上是基於數據的：你喂的數據越多，訓練和結果就越好。不幸的是，癲癇發作的頻率、發病前的檢測時間、持續時間和相對強度可能因受試者的不同而有很大差異。
Daoud和他的同事Magdy Bayoumi不是最早研究預測癲癇發作方法的人。其他科研人員用腦電圖（EEG）測試分析大腦活動並用這些數據開發預測模型。但是，由於每個人都有出不同的大腦模式，因此準確預測癲癇發作是很困難的。以前的模型被設計為兩個階段，必須手動提取大腦模式，然後再應用分類系統，這增加了模型的複雜性。
於7月24日關於生物醫學電路和系統的IEEE交易會上，研究人員介紹了的新方法——即將特徵提取和分類過程組合到單個自動化系統中，從而可以更早、更準確地預測癲癇發作。
此外，研究人員還採用了另一種分類方法，即深度學習演算法可從不同的電極位置提取並分析患者大腦活動的時空特徵，從而提高了模型的準確性。EEG讀數可能會涉及多個電活動「通道」，因此Daoud和Bayoumi採用另一種演算法來識別最佳電活動預測通道，這也加快了預測過程。
研究人員用來自波士頓兒童醫院的22名患者的長期EEG數據開發並測試了他們的演算法。儘管樣本量很小，但結果卻令團隊興奮不已！他們的模型不僅非常準確，達到了99.6％，且誤報率也很低，每小時的誤報率僅為千分之四。
但是，系統在產生結果之前也需要設置。Daoud解釋說：「為了在早期預測時間內達到如此高的準確性，我們需要對每個病人進行模型訓練。」這個設置過程需要在癲癇發作時進行幾個小時的非侵入性腦電圖監測。
預測癲癇發作，改善患者生活
在抽搐高峰發生後、正常意識水平恢復正常前，患者通常會經歷一段意識混亂的時期，被稱為是發作後期。此階段通常長3到15分鐘，但也可能持續數小時。其他常見的癥狀包括：感覺疲憊、頭痛、言語困難、以及行為異常。
癲癇可能會在社會支援和心理福祉上造成負面影響，包括被他人孤立、羞辱，或肢體殘障。也可能導致較低的教育水平和就業不易。患者常有學習困難的問題，尤其在患有癲癇的兒童身上。在公開場合發作，可能對患者與家庭帶來異樣眼光。
「意外的癲癇發作對患者有強烈的心理影響和社會影響。」共同開發新模型的研究人員Hisham Daoud表示。
提前發現癲癇發作可以大大改善癲癇患者的生活品質，並使他們有足夠的時間提前採取行動，要知道70％的患者可通過藥物控制癲癇發作。
這項新開發的人工智慧系統是對現有預測癲癇病發方法的重大飛躍。研究人員現在已經將注意力轉向開發合適的硬體和晶片組，以充分實現他們的人工智慧系統作為癲癇干預的可行解決方案。
這項技術的研發和測試仍然需要一些時間，研究者們希望，開發一款與Apple Watch功能類似的個性化設備來檢測不規則的心臟活動——或許有一天這將會成為癲癇患者的標準治療方案。
是否接受手術？AI給出建議
癲癇手術常被推薦給對藥物治療沒有反應的患者。許多病人不願接受腦部手術，部分原因是害怕手術風險，而且事實上只有三分之二的病人在手術一年後沒有發作。
為了解決癲癇患者在治療上的這一關鍵缺口，南卡羅萊納醫科大學(MUSC)神經學家開發了一種基於人工智慧的新方法，它可能最終幫助患者和醫生權衡使用腦外科手術治療由癲癇引起的衰弱性癲癇發作的利弊。
整個大腦的連接體是這項研究的關鍵組成部分，它是一個人大腦中所有物理連接的地圖。通過對彌散性磁共振成像(dMRI)的深入分析，繪製出患者的腦圖。深度學習方法能夠以一種更可靠的統計方法分離模式，從而提供一個高度準確的預測。
圖中顯示了一個個性化的結構連接體；所有可能的大腦區域之間的連接強度被用來訓練一個深度神經網路來預測兩種結果之一：癲癇發作自由(SF)或癲癇複發(NSF)
目前，對難治性癲癇患者進行腦外科手術的決定是基於一系列臨床變數做出的，包括影像學研究的視覺解釋——但分類模型在預測術後患者預後方面的準確率為50~70%。MUSC神經學家開發的深度學習方法的準確率為79~88%。這給了醫生一個更可靠的工具來決定是否對癲癇患者進行手術。
相關報道：
https://techcrunch.com/2019/11/06/elon-musk-will-reveal-teslas-cybertruck-all-electric-pickup-on-nov-21/
https://www.technologynetworks.com/informatics/news/teaching-ai-to-predict-epilepsy-310352
