Tim istraživača sa INESC TEC i Univerziteta u Minhenu, uključujući Carnegie Mellon Portugal (CMU Portugal) Ph.D. student Tamas Karacsoni, testirao je inovativno rešenje za klasifikaciju napada, glavnog simptoma epilepsije, koristeći infracrveni radar i 3-D video zapise. Naučni izveštaji su nedavno objavili rezultate ovog rada, kojima je koordinirao Karacsonijev supervizor i naučni direktor CMU Portugal Joao Paulo Cunha, istraživač na INESC TEC i profesor na FEUP-u.
Uprkos ogromnoj količini dostupnog video materijala o klasifikaciji napada, studije na ovu temu su i dalje retke, a još su ređi pristupi za automatska rešenja koja koriste veštačku inteligenciju. Ova nova studija predstavlja novi pristup, koji je prvi koji razmatra klasifikaciju skoro u realnom vremenu iz uzoraka od dve sekunde, pokazujući izvodljivost sistema koji podržava proces dijagnoze i praćenja (zasnovanog na prepoznavanju akcija) koji koristi duboko učenje. Ova tehnika omogućava razlikovanje između napadaja frontalnog i temporalnog režnja (dve najčešće klase epilepsije) ili neepileptičkih događaja.
Epilepsija je hronična neurološka bolest koja pogađa 1% svetske populacije, sa napadima kao jednim od glavnih simptoma – čija je semiologija ključna za dijagnostikovanje potencijalnih pojava. Analiza napada se obično radi korišćenjem 2-D video-EEG-a (elektroencefalograma) u jedinicama za praćenje epilepsije (EMU) od strane specijalizovanih zdravstvenih radnika. „Tokom kliničke dijagnoze, kliničari koriste ove video snimke da bi vizuelno prepoznali pokrete interesovanja definisanih karakteristikama pokreta (semiologija)“, objasnio je Karačoni.
Međutim, semiološka procena je ograničena velikom varijabilnosti među ocenjivačima među navedenim profesionalcima, i uprkos tome što su obećavajući, automatski i poluautomatski pristupi koji koriste kompjuterski vid i dalje zavise od značajnih napora „ljudi u petlji“. „Pacijent se obično prati nekoliko dana, koji se nakon toga mora u potpunosti pregledati zbog napada. Ovo zahteva mnogo vremena i truda od kliničkog osoblja“, dodao je istraživač.
Da bi ovo prevazišao, tim istraživača je razvio pristup zasnovan na dubokom učenju za automatsku klasifikaciju epileptičnih napada u skoro realnom vremenu. Prema Karacsoniju, „Predstavljamo novi doprinos inspirisan načinom na koji stručnjaci analiziraju semiologiju napadaja, uzimajući u obzir ne samo prisustvo specifičnih pokreta od interesa u različitim delovima tela pacijenta, već i njihovu dinamiku i njihove biomehaničke aspekte, kao što su brzina ili obrasci ubrzanja, ili opseg kretanja.“
Tim se okrenuo najvećoj 3-D video-EEG bazi podataka na svetu i izvukao video zapise sa 115 napada, prvo razvivši poluspecijalizovani i automatski algoritam za prethodnu obradu kako bi uklonio nepotrebna okruženja iz video zapisa. U praktičnom smislu, dve metode isecanja slike su kombinovane — dubina i maska R-CNN — obezbeđujući čist scenario i, shodno tome, poboljšavajući ekstrakciju relevantnih informacija iz dostupnih video zapisa, minimizirajući nepovezane varijacije i poboljšavajući proces klasifikacije napada.
U daljem objašnjenju korišćenog procesa, Tamas je objasnio: „Naše rešenje koristi pristup prepoznavanju radnji sa inteligentnim 3-D izrezivanjem scene kako bi se uklonile nepovezane informacije, kao što su kliničari koji se kreću oko pacijenata. Uklanjanjem toga, naš metod značajno poboljšane performanse klasifikacije. Ovo istraživanje je takođe dokazalo izvodljivost našeg pristupa prepoznavanju radnji za razlikovanje dve klase epilepsije i klase bez epilepsije, sa samo dve sekunde uzoraka, što ga čini korisnim za praćenje u skoro realnom vremenu. , rešenje koje predlažemo može se koristiti u drugim skupovima podataka 3-D videa za analizu i praćenje napada.“
Stoga, u prevođenju ovog znanja u poboljšanu dijagnozu i lečenje, pristup služi dvema svrhama: „Može se koristiti za praćenje i alarme—što može alarmirati osoblje; ili, ako se pristup prenese u ambulantno okruženje, negovatelja, kada napad je u toku, što rezultira bržim odgovorom, što bi moglo smanjiti povezane rizike i iznenadnu neočekivanu smrt kod epilepsije (SUDEP). Bez pristupa skoro u realnom vremenu, ovo ne bi bilo izvodljivo“, rekao je Karačoni.
Potrebno je više istraživanja pre nego što se ovaj sistem može primeniti u kliničkoj praksi. Ipak, dugoročno se očekuje da će sistem koristiti kliničarima, klinikama i pacijentima. „Sa podrškom za automatsku dijagnostiku, kliničari moraju da troše manje vremena pregledavajući video zapise, tako da mogu da leče više pacijenata, nadamo se da donose bolje odluke, što smanjuje povezane troškove (materijalne i zdravstvene) za klinike i društvo“, zaključio je on.
