Раннее выявление наиболее частой формы эпилепсии у детей возможно через: "глубокое обучение," новый инструмент машинного обучения, который учит компьютеры учиться на собственном примере, согласно новому исследованию, в котором участвуют исследователи из Университета штата Джорджия.
Доброкачественная эпилепсия с центрально-височными спайками (BECT), одна из наиболее частых эпилепсий, составляет от 15 до 25 процентов синдромов детской эпилепсии и поражает детей в возрасте от 4 до 13 лет. Большинство пациентов с BECT самостоятельно выздоравливают в период полового созревания, но болезнь может вызывать вербальную дисфункцию, дефицит внимания и языковые нарушения у 18-25 процентов пациентов.
Исследования показали, что медикаментозное лечение может улучшить языковые навыки и нормализовать центрально-височные спайки в электроэнцефалографических (ЭЭГ) тестах, поэтому важно отличать пациентов с эпилепсией от здоровых людей. Хотя исследования показали, что магнитно-резонансная томография (МРТ) и функциональная магнитно-резонансная томография (фМРТ) являются многообещающими для дифференциации пациентов с BECT от здоровых людей, эти методы визуализации в основном основаны на знаниях врача и диагностических способностях и, следовательно, также имеют такие ограничения, как низкая точность. Несколько исследований были сосредоточены на разработке методов машинного обучения, которые могут распознавать пациентов с BECT.
В этом исследовании был предложен новый метод классификации, который сочетает в себе прогнозы трех различных типов данных визуализации головного мозга: созданные вручную функции (51 характеристика мозга, связанная с заболеванием) с помощью МРТ, МРТ и фМРТ. Исследователи передали данные изображений соответственно с помощью трех различных методов машинного обучения, включая две специально разработанные глубокие нейронные сети, а затем объединили результаты в нейронную сеть для принятия окончательного решения, чтобы определить, есть ли у пациента BECT. Они предполагают, что объединение данных из нескольких представлений может предоставить дополнительную информацию и улучшить диагностику этой распространенной формы эпилепсии у детей.
Исследовательская группа использовала данные Западно-Китайской больницы в Чэнду, Китай, в которую вошли 40 пациентов с BECT и 40 здоровых людей. Они применили существующий алгоритм глубокого обучения, но изменили его в соответствии с потребностями этого исследования. Результаты опубликованы в журнале IET Computer Vision.
"Глубокое обучение может помочь в раннем обнаружении доброкачественной эпилепсии с центрально-височными спайками, что улучшает общие результаты пациента и уменьшает страдания," сказал доктор. И Пан, автор-корреспондент исследования, профессор компьютерных наук Regents и заведующий кафедрой компьютерных наук штата Джорджия. "Раннее обнаружение означает раннее лечение. Раннее лечение означает лучшее здоровье для этих детей."