畳み込みニューラルネットワークに基づく臨床およびEEG特徴を用いた耐薬性てんかんの早期予測

2024-06-17 Mon

研究背景及研究目的

てんかんは自発性で深刻な神経系の病気であり、反復発作を特徴とし、全世界で約5000万人が影響を受けています[1]。最近の抗てんかん薬（ASM）の進展にもかかわらず、薬物難治性てんかん（Drug-Resistant Epilepsy，DRE）は依然として20%から30%のてんかん患者に影響を与えています[1-3]。DRE患者は巨大な経済的、社会的および心理的負担に直面しており、確定診断に長期間の薬物試験が必要です。高リスクの患者を早期に識別することは、てんかん手術、神経調整またはケトジェニックダイエットなどの治療法の早期介入を可能にします。

過去の研究では、DREのリスク要因として、早期発病、高頻度の発作、脳波（EEG）の異常、神経欠陥、認知障害、外傷歴、頭蓋内構造異常などが挙げられています[5-9]。しかし、新しく診断されたてんかん患者に関しては、これらの要因の重要性はまだ明確ではなく、高リスク患者を早期に識別するための総合的なツールが必要です。

脳波（EEG）はてんかん分野において不可欠な役割を果たしており、てんかんの診断、治療、予後および長期管理において利用されています[12-14]。いくつかの研究はEEGの特性を利用してASMの治療結果を予測しようと試みてきましたが、主にてんかん発作放電やδ波のパワースペクトルなどの可視的EEG特性に集中していました。しかし、パワー、周波数、コヒーレンスおよび機能的な接続などの不可視なEEGパラメータも予後に関連している可能性があります。深層学習の進展に伴い、より多くの、より深いEEGパラメータを抽出して治療結果の予測を支援することができます。

機械学習は、データから自動的にルールをまとめ、予測モデルを構築する方法で、最近では医療分野で広く応用されています[15]。深層学習は機械学習の重要な一分野として、様々な特性を自動的に抽出し、大規模データを処理し、正確な分類結果を得ることができます[16-17]。畳み込みニューラルネットワーク（Convolutional Neural Network，CNN）は深層学習の一般的な方法の一つであり、てんかん発作の自動検出やてんかん放電の研究に広く応用されています[16,18-19]。現在、伝統的な機械学習法と特徴抽出を組み合わせたDREの予測は未だに満足のいく結果を得られていないため、本研究ではまず手動で特徴を抽出し、DREを予測するためのモデルを開発することを探索しました。

研究論文の出典および著者情報

本研究論文は楊士君、李珊珊、王漢林、李金蘭、王从平、および劉群輝らによって共同執筆されました。これらの著者は、湖北省恩施土家族苗族自治州中心医院の神経内科と超音波科、および西安交通大学医学院に所属しています。論文は《Seizure: European Journal of Epilepsy》の2024年第114号に掲載されており、2023年12月16日にオンラインで発表されました。

研究方法および実験のフロー

研究対象および除外基準

本研究は回顧的研究であり、研究対象は2016年1月から2022年6月までの期間に恩施州中心医院神経内科で診療を受けた新しく診断されたてんかん患者101名です。すべての参加者には以下の基準を満たす必要がありました：新しく診断された成人てんかん患者、完全な病歴、ASM治療前にEEGおよびMRI検査を受けていること、および定期的なフォローアップを行っていること。除外基準には、てんかん症候群、既往神経系疾患の存在、妊娠中の女性、EEG前に神経系に影響を与える薬物を服用した者、不明確な病歴記録、および遵守性の低い患者が含まれます。

データ処理および前処理

本研究で使用されたEEGデータは、患者がASM治療を開始する前の24時間内に記録されたものであり、サンプリング周波数は256 Hzです。各患者には10本の90秒のEEG信号が含まれており、合計で1010本の信号があります。データの前処理では、アーチファクトを除去するために多種の方法を使用しました。これには無用な電極の除去、フィルタリング、再参照、分割とベースライン補正、不良セグメントの除去、独立成分分析、およびノイズ除去が含まれます。最後に、pandas関数を使用して生データを一次元の”.xls”ファイル形式に変換しました。

畳み込みニューラルネットワークモデルの開発

CNNは一般的な信号および画像処理方法であり、今回の研究では、生のEEG信号の特徴を自動抽出し、高度な特徴を簡略化するために使用しました。CNNの構造には、畳み込み層、フラットニング層、および全結合層が含まれます。畳み込み層は畳み込み操作によってEEG特徴を自動抽出し、フラットニング層がEEGデータを平坦化して計算速度と特徴の頑健性を向上させ、全結合層がニューラルネットワークによって抽出された特徴を取得するために使用されます。活性化関数にはRectified Linear Unit（ReLU）を使用し、出力の関数にはSoftmaxを使用しました。

システム評価および統計分析

モデルの性能を評価するために、複数の評価指標を使用しました。これには、正確度（accuracy）、特異性（specificity）、精度（precision）、感度（sensitivity）、F1スコア（F1-score）、カッパ統計量、平均二乗誤差（MSE）、および曲線下面積（AUC）があります。各指標の算出公式は以下の通りです：

正確度 (accuracy) = (TP + TN) / (TP + FN + FP + TN)
特異性 (specificity) = 1 - (FP / (FP + TN))
精度 (precision) = TP / (TP + FP)
再現率 (recall) = TP / (TP + FN)
F1 スコア (F1-score) = 2 * (precision * recall) / (precision + recall)
カッパ統計量 = (observed accuracy - expected accuracy) / (1 - expected accuracy)
平均二乗誤差 (MSE) = (1/N) * Σ(observedi - predictedi)
曲線下面積 (AUC) = Σ(rankinsi ∈ positive class) / (m * (m + 1)) - m / n

我々は、EEGモデルと臨床-EEGモデルの2つを開発し、両者は7層の構造を持ち、2つの畳み込み層、1つのフラットニング層、および4つの全結合層を含みます。両方のモデルは、トレーニングセットで30回の反復を行い、最終的な結果をテストおよび検証しました。

研究結果

我々の研究では、最終的に101名の患者（うち78名が薬物感受性てんかん、23名がDRE）を含めました。新しく診断されたてんかん患者のDREを予測するために臨床およびEEG特徴の組み合わせを用いたところ、良好な結果を得ました。EEGモデルのテストセットでは、正確度、特異性、精度、感度、F1スコア、カッパ統計量、最適MSE、およびAUCはそれぞれ0.99、0.59、0.82、0.90、0.86、0.72、181.76、および0.76でありました；検証セットでは正確度は0.81でした。臨床-EEGモデルのテストセットでは、各指標はそれぞれ0.99、0.72、0.82、0.96、0.89、0.83、32.00、および0.81でありました；検証セットでは正確度は0.84でした。

研究の意義および応用価値

本研究は、EEGモデルおよび臨床-EEGモデルを開発および検証し、新しく診断されたてんかん患者のDREを予測するための新しいツールを提供しました。これらのモデルは臨床およびEEGデータを組み合わせることで、より高い予測精度を実現し、臨床医が早期に患者に対してより的確な治療を決定するのを助け、反復失敗のASM試験を回避することができます。

研究のハイライトと新規性

高性能予測モデル：モデルは優れたパフォーマンスを示し、特に臨床-EEGモデルは各評価指標で優れた結果を示しました。
臨床応用の広がり：このモデルは臨床とEEG特徴を組み合わせることで、実用性と臨床価値が高いです。
新しく診断されたてんかん患者の早期介入：高リスク患者を早期に識別することで、他の治療法をより早く施行し、患者の生活の質を向上させることができます。

研究の総括

本研究は、新しく診断されたてんかん患者のDREを予測するための効果的なEEGおよび臨床-EEGモデルを開発および検証しました。この研究は、てんかん予測における深層学習アルゴリズムの応用範囲を拡張するだけでなく、臨床実践において信頼性の高いツールを提供し、高リスク患者を早期に識別し、より精確かつ個別化された治療を実現するのに役立ちます。