浙大团队开发新型意识障碍诊断框架DOCTer，准确率高达75.63%
浙大团队开发新型意识障碍诊断框架DOCTer，准确率高达75.63%
意识障碍（Disorders of Consciousness，DOC）是一种严重的神经系统疾病，包括最低意识状态（MCS）和无反应觉醒综合征（UWS）。准确评估患者的意识水平对于制定治疗方案至关重要。近日，浙江大学团队在Journal of Neural Engineering期刊上发表了一篇重要论文，介绍了一种基于脑电图（EEG）的新型诊断框架DOCTer，该框架能够更准确地区分MCS和UWS患者。
这项研究由浙江大学的赵莎特聘研究员领衔，联合浙江大学脑机智能全国重点实验室主任潘纲教授、浙江大学附属第一医院的罗本燕主任共同完成。研究团队开发的DOCTer框架通过深度学习技术，从静息状态EEG信号中提取多种关键特征，包括时间-频率特征和微状态特征，并结合患者的临床特征信息，实现了对MCS和UWS的准确区分。
研究背景与挑战
在临床实践中，准确评估意识障碍患者的意识水平是一项重要而复杂的任务。尽管EEG技术在诊断意识障碍方面已取得进展，但目前的应用仍面临两大挑战：
- EEG信号的潜力尚未被完全挖掘
- 现有研究通常受限于较小的数据规模，限制了模型的泛化能力
针对这些问题，研究团队提出了DOCTer框架，旨在利用深度学习技术克服现有挑战，提高诊断准确性。
DOCTer框架详解
DOCTer框架采用端到端设计，将意识障碍患者的EEG信号片段和临床特征作为输入，输出意识水平的分类结果（MCS或UWS）。框架主要包括四个模块：
时间/频谱特征编码器：使用CNN-Transformer结构，通过一维卷积提取特征，再通过Transformer编码层捕捉全局特征。这种方法能够同时捕捉EEG信号的短期和长期特征，提高识别准确性。
微状态编码器：微状态是EEG记录中亚秒级时间尺度上的头皮电位拓扑模式，与意识水平密切相关。研究团队将微状态引入网络架构，通过自动编码器提取微状态特征。
临床特征编码器：将性别、年龄、病因和病程等临床特征转换为嵌入表示。研究表明，病因和病程与意识水平关联度更高，因此重点分析了脑出血、创伤性脑损伤和缺氧缺血性脑损伤三种病因类型。
分类器：将上述特征进行拼接，通过前馈神经网络融合，生成最终的分类结果。
实验设计与结果
研究团队收集了一个包含409个静息状态EEG记录的大规模数据集，其中包括128例UWS和187例MCS患者的数据。实验采用十折交叉验证，遵循受试者独立策略，评估指标包括准确率、召回率、特异性、精确率、F1值和受试者准确率。
实验结果显示，DOCTer在区分MCS和UWS方面表现出色，准确率为71.51%，召回率为73.15%，F1值为72.69%，受试者准确率为75.63%。与其他方法相比，DOCTer的性能更优，且标准差最低，表现出更好的稳定性。
此外，研究还探讨了不同特征类型、EEG采集时长、通道数量、片段长度和脑区对诊断准确性的影响。结果显示，结合多种特征类型可以提高诊断准确性，240秒的EEG采集时长和32个通道是最佳选择，12秒的片段长度能够捕捉到足够的脑活动信号，大脑前半球的特征更具预测性。
结论与展望
这项研究开发的DOCTer框架为意识障碍的诊断提供了一种新的解决方案，有望成为辅助医生诊断的客观工具。然而，研究也指出了一些局限性，如跨设备导致的患者类型比例不均衡、微状态和临床特征单独使用时预测能力有限等问题。未来，研究团队将继续优化模型，提高诊断准确率。
这项研究不仅展示了人工智能在医疗领域的应用潜力，也为意识障碍患者的精准诊断和治疗提供了新的思路。
本文原文来自Journal of Neural Engineering，论文标题为《DOCTer: a novel EEG-based diagnosis framework for disorders of consciousness》。