По мнению исследователей, этот подход учитывает особенности «сырых» клинических данных и позволяет быстрее поставить диагноз пациенту. Результаты исследования опубликованы в журнале The European Physical Journal Special Topics.

Эпилепсия представляет собой хроническое неврологическое заболевание, проявляющееся внезапными судорожными приступами. По данным Всемирной организации здравоохранения, это одно из самых распространенных неврологических заболеваний в мире, затрагивающее около 50 миллионов человек. При надлежащей диагностике и лечении до 70% людей с эпилепсией могут жить без приступов.

Одной из ключевых задач в диагностике эпилепсии является определение типа приступа и его причин. Обычно для этого пациентам требуется пройти длительное наблюдение в стационаре, где регистрируется активность головного мозга с помощью электроэнцефалографии (ЭЭГ). Процесс анализа данных занимает много времени и может негативно сказаться на объективности результатов.

Ученые БФУ предложили новый подход, основанный на каскадной системе, которая объединяет искусственный интеллект и экспертные знания о физиологии эпилепсии. Этот метод значительно повышает точность обнаружения эпилептических приступов на электроэнцефалограммах. Старший научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта БФУ Вадим Грубов пояснил, что система выполняет предварительный анализ записи, помечая участки, которые могут содержать эпилептические приступы. Врач затем изучает эти отмеченные участки, подтверждая или опровергая выводы системы.

По словам Грубова, такое сочетание автоматического анализа и экспертной оценки врача позволяет достичь высокой точности диагностики при значительном сокращении времени исследования — до 90-95%. Авторы исследования уверены, что их результаты могут облегчить работу врачей-эпилептологов и найти применение в клинической практике в рамках систем поддержки принятия врачебных решений.

Преимуществом разработки является то, что обучение системы проводилось на реальных клинических данных, что значительно повышает ее надежность. Ученые учли особенности эпилептических приступов и знания о работе головного мозга. Грубов отметил, что другие исследователи часто стремятся к полной автоматизации диагностики, что может привести к недостаточной надежности систем в реальных условиях.

Кроме того, сложность интерпретации моделей машинного обучения затрудняет их применение в медицине, где прозрачность принятия решений является критически важной.