DeepBrainResonator: geavanceerde EEG Deep Learning-algoritmen.
We bestaan uit biljoenen cellen, waarvan niet in de laatste plaats honderd miljard neuronen in het menselijk brein. Deze neuronen dienen voor een goede werking van ons zenuwstelsel en bijgevolg voor informatie die van onze hersenen naar de rest van onze lichaamsorganen communiceert. In het geval dat onze neuronen of zenuwcellen worden aangetast of binnengedrongen door een zieke factor, kan dit een ziekelijke uitwerking hebben op ons hele organisme.
Met betrekking tot de toekomst en het behoud van de gezondheid hebben we een baanbrekend product ontwikkeld voor de automatisering van medische diagnostiek – DeepBrainResonator heeft klinische elektro-encefalogram (EEG) diagnostiek veranderd en hoop gebracht voor degenen die lijden aan hersen- en epileptische aandoeningen, zoals epilepsie, encefalopathie, encefalitis, hersenen tumor en slaapstoornis.
De keuze voor het automatiseren van EEG-analyse wordt bepaald door de complexiteit van het analyseren van de elektrofysiologische meetgegevens. Het spreekt vanzelf dat korte EEG-records normaal gesproken 3 tot 24 uur duren, en lange records zelfs tot 5 dagen, terwijl patiënten te allen tijde in het ziekenhuis moeten blijven.
Samen met onze partners hebben we enorme hoeveelheden klinische gegevens geanalyseerd om kennis op te doen van het menselijk hersenritme voor de kliniek om de diagnostische werkzaamheid en nauwkeurigheid te verbeteren. Hoewel het lange tijd onmogelijk was geweest sinds het ontbreken van grote databases en geschikte methoden om deze te exploiteren, zijn we erin geslaagd om de eerste EEG-analysesoftware te maken op basis van de nieuwste Deep Learning-methoden (kunstmatige intelligentie) dankzij toegang tot klinische gegevens van CSS-partner – wereldberoemde klinische neurofysioloog Professor Michel van Putten.
Het valt niet te ontkennen dat het DeepBrainResonator-project een uniek geesteskind is van vruchtbare samenwerking en partnerschap tussen datawetenschappers, ondernemers, software-ingenieurs en artsen.
Wie zijn de makers van de doorbraak in EEG-diagnostiek?
Het DBR-project wordt uitgevoerd door een goed uitgerust team van vier partners die zeer bedreven zijn in hun vakgebieden:
- De projectleider – MEDrecord – biedt vooral een semantisch interoperabiliteitsplatform dat dient als het onderliggende platform. Het is ontworpen voor betere zorgcoördinatie en klinische diagnostiekverbetering in zorginstellingen en is volledig gecertificeerd voor ISO27001, NEN7510 en MedMij, en het helpt startups en instituten bij het snel ontwikkelen van gevalideerde apps.
- Clinical Science Systems (CSS) samen met de partner Professor van Putten substantiële bijdragen geleverd aan uitgebreid klinisch data-onderzoek op basis van de Deep Learning-methode. CSS heeft samen met de professor uitgebreide ervaring in klinische EEG-interpretatie en het ontwikkelen van EEG-tools.
- Daarbij heeft het Oostenrijks Instituut voor Technologie (AIT) EEG- en ECG-analysesoftware met een licentie voor in de handel verkrijgbare medische apparaten ontwikkeld. Het door AIT ontwikkelde Deep Spike-algoritme presteert beter dan alle eerdere benaderingen voor detectie van epileptische ontladingen. AIT ontwikkelde een algoritme voor automatische detectie van ED’s, gebaseerd op een nieuwe deep learning-methode die een lage hoeveelheid gelabelde EEG-gegevens vereist voor training. Gedetecteerde ED’s worden automatisch gegroepeerd in clusters, bestaande uit hetzelfde type ED’s, voor snelle visuele inspectie.
Manuele EEG-uitdagingen overwinnen
Zoals we weten, is voorkomen beter dan genezen, terwijl een gezonde slaapstructuur de meest betrouwbare bondgenoot is bij het voorkomen van talrijke grote en kleine neurologische aandoeningen. Epilepsie, de meest voorkomende therapeutische indicatie voor EEG, is geen uitzondering.
Langetermijn-EEG-bewaking is de meest nauwkeurige diagnostische methode, het maakt niet alleen een zeer nauwkeurige diagnose van de hersenen van een patiënt of een epileptische aandoening mogelijk, maar ook controle van de behandelingsrespons bij het bestuderen van de menselijke slaapstructuur. In het licht hiervan hebben we veel aandacht besteed aan automatische interpretatie van slaapstadia op basis van EEG-opnames. De resultaten toonden aan dat automatische evaluatiemethoden in staat waren om een robuuste analyse van de registratie van hersenactiviteit uit te voeren.
Omdat EEG een onmisbare fase is bij de diagnose van epilepsie, hebben we ook een doel gesteld om een automatisch algoritme te ontwikkelen om interictale ontladingen te detecteren, en het is bereikt – DeepBrainResonator overwint beperkingen in ziektedetectieprestaties, het bespaart clinici tijd en moeite tijdens het interpreteren van de resultaten.
Bekijk de video van 2 minuten:
Wat maakt het project tot een mijlpaal in EEG Deep Learning
Twee jaar lang zwaar werk van het bestuderen van de diversiteitsgegevens en het enorme aantal monsters per use-case maakten training van de diepe neurale netwerken van DeepBrainResonator mogelijk. Na een diepgaande studie te hebben uitgevoerd, heeft het project drie belangrijke op deep learning gebaseerde algoritmen ontwikkeld die toepasbaar en fundamenteel nieuw zijn voor medische diagnostiek.
Belangrijk is dat de algoritmen ‘detectie van interictale ontladingen’ en ‘detectie van epileptische aanvallen’ de rekentijd kunnen verkorten die eerder werd besteed aan 24 uur EEG-decodering, wat een van de primaire parameters is voor een servertoepassing zoals DeepBrainResonator.
Het derde algoritme – ‘slaapstadiëring’ – biedt uiterste nauwkeurigheid en betrouwbaarheid, vooral vergeleken met die van handmatige prestaties, wat een zeer belangrijke kwestie is bij EEG-interpretatie. Op deze manier automatiseert DeepBrainResonator de visuele beoordeling van EEG-gegevens door een klinische expert en bevordert de interpretatiekwaliteit.
Afgezien daarvan is DeepBrainResonator een optioneel stand-alone softwarepakket dat kan worden geïntegreerd met de meeste bestaande workflows en pakketten (Epic, iSoft, Philips, Siemens, enz.), En het heeft geen aanvullende ondersteunende software nodig die wel onvoorwaardelijk geprioriteerd door het systeem bij het kiezen van een applicatie.
Deze hoofdparameters zorgden voor het succes van het DeepBrainResonator-project op het gebied van elektronische patiëntendossiers, standaardisatie en beveiliging op één lijn met het maken van de software tot een onvervangbare assistent bij diagnostiek, behandeling en preventie van talloze neurologische aandoeningen.
Geleerde lessen
Wat we vooral leerden, was dat we met de beste van het beste hebben gewerkt, dus technisch ging het eigenlijk vrij vlot.
Wat we ook van deze innovatie hebben geleerd, is dat elke uitvinding in hoge mate afhankelijk is van menselijke acceptatie. Geen wonder dat het succes van de DBR grotendeels vooraf bepaald wordt door de goedkeuring van neurowetenschappers. En aangezien de uitvinding die we binnen dit project hebben ontwikkeld, meer wordt beschouwd als een concurrent van de neurowetenschappers, is de acceptatie meestal vrij laag. Dit aspect is nogal hardnekkig en niet gemakkelijk op te lossen, het staat ook wel bekend als ‘NIH’ of ‘hier niet uitgevonden’ syndroom.
Financiering
Het budget van bijna twee miljoen euro werd voor 45% gefinancierd door de Eurostars-regeling met subsidieovereenkomst E! 12398. De overige één miljoen euro (55%) werd geïnvesteerd door de individuele partners zelf. Zie de RVO-projectpagina.
