圖片來源: 

Temple University

IBM研究團隊近日發表一篇用機器學習自動分類癲癇發作類型的論文,透過AI技術辨別癲癇患者腦電波影像,針對癲癇發作類別進行分類,癲癇發作類型影響到用藥選擇和病患可以安全從事的活動類別。

癲癇是腦細胞在短時間內過度放電,造成暫時的腦功能障礙,全球有340萬人患有癲癇症,26個人之中就有1個人會在任何年紀發病,而癲癇的發作又分為好幾種不同的類型,其中3分之1的病患目前並沒有相對應的醫療手段可以治療,其他3分之2的病患,由於個案狀況具有高度差異,可行的治療常常難以預測。

目前臨床上並沒有較準確的癲癇發作分類及量化標準,主要是仰賴醫師的經驗來判斷,醫師透過詢問患者的家族病史、病情狀況等因素,搭配腦電圖、核磁共振成像、電腦斷層掃描影像等檢查資料,來決定治療方式,但是缺乏長期病情變化的資料和測量方式,大部分都只能靠著不斷地嘗試用藥和治療方法,來正確地匹配病患狀況,此外,手寫記錄是基本的資料來源,而這些資料被證實只有50%的準確率。

為了解決這項問題,研究團隊採用近日美國天普大學釋出的癲癇疾病公開腦電圖數據集TUH EEG Seizure Corpus,作為訓練機器學習模型的資料集,該訓練資料集包含8個癲癇類別的2,012個癲癇發作案例,其中,由於肌陣攣發作(myoclonic seizure)類型的數量太少,研究團隊將此類型忽略,模型總共辨識7種癲癇發作類型,在所有的資料集中,研究團隊將60%資料作為訓練資料集,20%為驗證資料集,而剩下的20%當作測試資料集。

研究團隊嘗試了多種機器學習分類算法,並評估其分類表現,實驗結果發現k-NN算法為效果最佳的演算法,模型分類的準確度為90.7%,k-NN演算法是透過向量空間模型來分類,藉由計算和已知類別案例的相似性,來評估未知類別案例可能的分類方法。

IBM研究團隊表示,這是第一個展示機器學習能用於癲癇發作分類的研究成果,期望該自動分類模型,能夠改善患者的長期照護、即時用藥調整和遠距離監控病情等,過去相關的癲癇研究都著重於如何預測癲癇疾病,並沒有針對癲癇發作類型進行分類。


Advertisement

更多 iThome相關內容