هوش مصنوعی سلامت

اعتبارسنجی هوش مصنوعی برای تفسیر نوار مغزی طولانی‌مدت

هوش مصنوعی در تفسیر نوار مغزی

تفسیر نوار مغزی طولانی‌مدت یا LT-EEG یکی از فرایندهای زمان‌بر در ارزیابی بیماران مبتلا به اختلالات عصبی، به‌ویژه موارد مشکوک به صرع، است. حجم زیاد داده‌ها باعث می‌شود متخصصان ناچار باشند بخش‌های طولانی ثبت EEG را برای یافتن الگوهای غیرطبیعی بررسی کنند.

مطالعه‌ای در مجله Clinical Neurophysiology ابزار autoSCORE را اعتبارسنجی کرده است؛ سامانه‌ای مبتنی بر شبکه عصبی کانولوشنی که می‌تواند بخش‌های دو ساعته EEG را غربال کند و نواحی مشکوک را برای بررسی دقیق‌تر متخصص علامت‌گذاری کند. یافته‌ها نشان می‌دهند که این ابزار، در چارچوب همکاری انسان و هوش مصنوعی، می‌تواند بار کاری متخصصان تفسیر EEG را کاهش دهد.

خلاصه سریع

  • autoSCORE یک ابزار هوش مصنوعی برای تحلیل و غربالگری ثبت‌های طولانی‌مدت EEG است.
  • این سامانه هر ثبت را به قطعه‌های دو ساعته تقسیم و ناهنجاری‌های احتمالی را دسته‌بندی می‌کند.
  • در بررسی ۸۰ قطعه EEG، عملکرد هوش مصنوعی و متخصصان در بیشتر ارزیابی‌ها قابل مقایسه بود.
  • بررسی ۱۰ نشانگر با بالاترین احتمال در هر دسته، به شناسایی همه قطعه‌های غیرطبیعی کمک کرد.

موضوع این پژوهش چیست؟

ثبت طولانی‌مدت EEG اطلاعات زیادی درباره فعالیت الکتریکی مغز فراهم می‌کند، اما بررسی دستی تمام این داده‌ها می‌تواند زمان‌بر و مستعد خستگی باشد. هدف این پژوهش، ارزیابی بالینی autoSCORE و بررسی جایگاه آن در یک فرایند انسان در حلقه بود؛ یعنی هوش مصنوعی بخش‌های مهم‌تر را برجسته کند و متخصص انسانی تفسیر نهایی را انجام دهد.

این رویکرد به‌جای حذف متخصص، بر تقسیم کار میان الگوریتم و کارشناس تکیه دارد. چنین مدلی می‌تواند برای غربالگری اولیه داده‌ها و اولویت‌بندی بخش‌هایی که نیازمند بررسی دقیق‌تر هستند، اهمیت داشته باشد.

تعاریف ضروری

نوار مغزی طولانی‌مدت

نوار مغزی یا الکتروانسفالوگرافی، فعالیت الکتریکی مغز را ثبت می‌کند. در ثبت طولانی‌مدت EEG، سیگنال‌ها برای مدت طولانی‌تری پایش می‌شوند تا رخدادها یا الگوهای غیرطبیعی که ممکن است در یک بررسی کوتاه دیده نشوند، شناسایی شوند.

هوش مصنوعی در حلقه انسانی

در رویکرد انسان در حلقه، سامانه هوش مصنوعی به‌عنوان ابزار کمکی عمل می‌کند. الگوریتم داده‌ها را غربال و موارد محتمل را علامت‌گذاری می‌کند، اما ارزیابی و تصمیم‌گیری نهایی همچنان بر عهده متخصص انسانی است.

ناهنجاری‌های اپی‌لپتی‌فرم و غیر‌اپی‌لپتی‌فرم

ناهنجاری‌های اپی‌لپتی‌فرم به الگوهایی در EEG گفته می‌شود که می‌توانند با فعالیت صرعی ارتباط داشته باشند. ناهنجاری‌های غیر‌اپی‌لپتی‌فرم نیز تغییرات غیرطبیعی سیگنال هستند که لزوماً الگوی صرعی ندارند. در این مطالعه، هر دو گروه به شکل کانونی یا منتشر بررسی شدند.

پژوهش چگونه انجام شد؟

autoSCORE یک شبکه عصبی کانولوشنی با نام SCORE-AI است که در یک خوانشگر تجاری EEG پیاده‌سازی شده است. این سامانه ثبت طولانی‌مدت EEG را به قطعه‌های دو ساعته تقسیم می‌کند و هر قطعه را طبیعی یا دارای یک یا چند نوع ناهنجاری برچسب می‌زند.

چهار دسته ناهنجاری در این فرایند شامل ناهنجاری اپی‌لپتی‌فرم کانونی، اپی‌لپتی‌فرم منتشر، غیر‌اپی‌لپتی‌فرم کانونی و غیر‌اپی‌لپتی‌فرم منتشر بود. در قطعه‌های غیرطبیعی، ابزار نشانگرهایی با زمان شروع و پایان و نوع ناهنجاری ایجاد می‌کرد و این نشانگرها را بر اساس احتمال وقوع، رتبه‌بندی می‌کرد.

در مجموع ۸۰ قطعه دو ساعته EEG بررسی شد؛ ۴۰ قطعه از بیماران بستری و ۴۰ قطعه از بیماران سرپایی بودند. سن بیماران از ۰٫۹ تا ۸۲٫۳ سال گزارش شد. استاندارد مرجع تشخیصی بر اساس ارزیابی بصری مستقل سه متخصص انسانی تعیین شد.

یافته‌های اصلی پژوهش

دقت ارزیابی در مقایسه‌های متخصص با متخصص و هوش مصنوعی با متخصص، در سطح قطعه‌های دو ساعته، در بیشتر موارد قابل مقایسه بود. استثنای گزارش‌شده، شناسایی ناهنجاری غیر‌اپی‌لپتی‌فرم کانونی بود که در آن هوش مصنوعی از متخصصان عملکرد بهتری در دقت شناسایی داشت؛ این تفاوت از نظر آماری معنادار گزارش شد.

  • ارزش اخباری مثبت نشانگرهای خودکار ناهنجاری بین ۰٫۴۴۶ تا ۰٫۸۲۳ بود.
  • در فرایند انسان در حلقه، بررسی ۱۰ نشانگر با بالاترین احتمال در هر دسته به شناسایی صحیح همه قطعه‌های غیرطبیعی کمک کرد.
  • این بررسی هدفمند معادل ۱٫۵ تا ۵٫۵ درصد از کل هر قطعه دو ساعته بود.
  • نتایج مطالعه نشان می‌دهد autoSCORE می‌تواند به‌عنوان ابزار کمکی برای غربالگری ثبت‌های طولانی‌مدت EEG به کار رود.

این یافته‌ها در عمل چه معنایی دارند؟

پیام اصلی پژوهش این است که هوش مصنوعی می‌تواند به متخصص کمک کند تا به‌جای مرور یکنواخت تمام ثبت EEG، ابتدا بر نشانگرهایی تمرکز کند که الگوریتم احتمال بیشتری برای غیرطبیعی‌بودن آن‌ها برآورد کرده است. این رویکرد ممکن است زمان بررسی را کاهش دهد و بهره‌وری تفسیر EEG را افزایش دهد.

با این حال، نتیجه مطالعه به معنای جایگزینی متخصص مغز و اعصاب یا متخصص نوروفیزیولوژی بالینی نیست. autoSCORE در این پژوهش به‌عنوان ابزار غربالگری و کمک‌تصمیم‌گیری ارزیابی شده است و تفسیر نهایی باید در زمینه بالینی و با نظارت متخصص انجام شود.

نقش هوش مصنوعی در این موضوع

هوش مصنوعی در autoSCORE برای شناسایی الگوهای احتمالی در سیگنال‌های EEG، دسته‌بندی ناهنجاری‌ها و علامت‌گذاری بازه‌های زمانی مهم به کار رفته است. این سامانه همچنین می‌تواند نشانگرهای شناسایی‌شده را بر اساس احتمال وقوع رتبه‌بندی کند تا متخصص بررسی خود را از موارد محتمل‌تر آغاز کند.

مزیت مهم این طراحی، ترکیب سرعت پردازش الگوریتمی با قضاوت بالینی انسان است. در مقابل، ارزش اخباری مثبت نشانگرها در همه موارد یکسان نیست و وجود نشانگر خودکار به‌تنهایی معادل تشخیص قطعی ناهنجاری یا بیماری نیست.

محدودیت‌ها و نکات احتیاطی

اطلاعات ارائه‌شده در چکیده، جزئیات کاملی درباره طراحی نمونه‌گیری، محیط‌های بالینی مختلف، نحوه انتخاب قطعه‌ها و محدودیت‌های اجرایی مطالعه ارائه نمی‌کند. بنابراین، تعمیم نتایج به همه جمعیت‌ها، تجهیزات EEG و شرایط بالینی نیازمند بررسی بیشتر است.

همچنین عملکرد گزارش‌شده باید در کنار ارزیابی متخصص و اطلاعات بالینی بیمار تفسیر شود. مطالعات مستقل و گسترده‌تر می‌توانند به روشن‌شدن میزان پایداری عملکرد autoSCORE در محیط‌های مختلف کمک کنند.

سوالات متداول

autoSCORE برای چه کاری طراحی شده است؟

این ابزار برای غربالگری ثبت‌های طولانی‌مدت EEG، دسته‌بندی ناهنجاری‌های احتمالی و علامت‌گذاری بخش‌هایی طراحی شده است که نیاز به بررسی متخصص دارند.

آیا autoSCORE جایگزین متخصص تفسیر EEG می‌شود؟

خیر. مطالعه آن را به‌عنوان ابزار کمکی در رویکرد انسان در حلقه بررسی کرده است؛ بنابراین تفسیر نهایی همچنان به متخصص انسانی وابسته است.

این ابزار چه نوع ناهنجاری‌هایی را شناسایی می‌کند؟

سامانه چهار دسته ناهنجاری شامل اپی‌لپتی‌فرم کانونی، اپی‌لپتی‌فرم منتشر، غیر‌اپی‌لپتی‌فرم کانونی و غیر‌اپی‌لپتی‌فرم منتشر را بررسی می‌کند.

عملکرد autoSCORE چگونه ارزیابی شد؟

عملکرد آن با ارزیابی بصری مستقل سه متخصص انسانی مقایسه شد و ۸۰ قطعه دو ساعته EEG، شامل نمونه‌های بستری و سرپایی، مورد بررسی قرار گرفت.

آیا شناسایی یک نشانگر خودکار به معنای تشخیص قطعی است؟

خیر. نشانگر خودکار یک یافته برای بررسی بیشتر است و باید در کنار تفسیر متخصص و وضعیت بالینی بیمار ارزیابی شود.

درباره سانوس

سانوس با تمرکز بر رصد و تحلیل علمی فناوری‌های سلامت، کاربردهای هوش مصنوعی در نوروفیزیولوژی و پزشکی را از منظر شواهد پژوهشی بررسی می‌کند. این گزارش نیز نشان می‌دهد که ارزش فناوری‌های هوشمند، در بسیاری از کاربردهای بالینی، به همکاری دقیق میان الگوریتم و متخصص وابسته است.

منابع

  • Tveit J، Aurlien H، Husain AM و همکاران. Clinical validation of autoSCORE: A human-in-the-loop AI tool for interpretation of long-term EEG recordings. Clinical Neurophysiology. 2026;193:2112430. DOI: 10.1016/j.clinph.2026.2112430.

برای مشاهده مقاله رو دکمه زیر کلیک کنید

لینک های مفید