Više od 3,4 miliona ljudi u SAD i 65 miliona ljudi širom sveta ima epilepsiju, neurološki poremećaj koji utiče na nervni sistem i izaziva napade. Jedna od 26 osoba će razviti epilepsiju u nekom trenutku svog života, a jedna od 1.000 osoba sa epilepsijom umire od neočekivane smrti svake godine.
Kao i mnoga stanja, lečenje epilepsije počinje ranim otkrivanjem. Svetska zdravstvena organizacija procenjuje da bi 70% ljudi sa epilepsijom moglo da živi bez napada ako se adekvatno dijagnostikuje i leči.
Tokom godina, tehnike mašinskog učenja su razvijene za otkrivanje i klasifikaciju napada od elektroencefalografskih (EEG) signala uhvaćenih pomoću elektroda na mozgu, tražeći korelacije koje su previše zamršene da bi ih ljudi mogli sami rešiti.
Međutim, ovi sistemi su se borili da otkriju retke oblike epileptičkih napada. To je zato što se veštačka inteligencija oslanja na podatke da bi naučila obrasce i napravila predviđanja — nedovoljni primeri ovih ređih napada ograničavaju njenu sposobnost da dobro radi u manje uobičajenim slučajevima.
Sada su istraživači USC-a razvili sistem veštačke inteligencije za identifikaciju epilepsije analizom moždanih interakcija, poboljšavajući dijagnozu retkih i složenih slučajeva. Sistem, predstavljen na konferenciji Advances in Knovledge Discoveri and Data Mining (PAKDD) u maju 2024. i objavljen na serveru za pre-štampanje arXiv, pokazao je poboljšanje od 12% u najsavremenijim modelima.
Integracijom više izvora informacija koje sistemi veštačke inteligencije obično zanemaruju u otkrivanju epilepsije, uključujući položaje EEG elektroda i regione mozga koje nadgledaju, AI može da identifikuje obrasce ili karakteristike koje ukazuju na to kada je verovatnoća da će doći do napada.
Ova tehnika takođe pomaže sistemu da generiše tačne rezultate sa manje podataka, čak i kod retkih tipova napada gde može biti samo nekoliko primera u podacima o obuci.
„Obično, za najjednostavniju vrstu upotrebe, sistem veštačke inteligencije može da kaže da li je neko imao napad jer je to jednostavna binarna klasifikacija“, rekao je koautor Sajrus Šahabi, profesor računarstva, elektrotehnike i prostornih nauka. „Ali postoje različite, ređe vrste napada koje nije lako klasifikovati – postojeće tehnike imaju nisku tačnost u ovom zadatku.“
Uzmimo, na primer, atonične napade, retku vrstu napadaja koja često pogađa decu i izaziva iznenadni gubitak kontrole mišića i kolaps. U ovom slučaju, sistem bi posmatrao prostorne odnose u regionima mozga i davao prioritet oblastima mozga uključenim u kontrolu mišića, kao što su motorni korteks, bazalni gangliji, mali mozak i moždano stablo, da bi se identifikovali obrasci aktivnosti koji ukazuju na atonske napade.
„U našem okviru imamo prostorne odnose, semantiku i opise svakog dela mozga“, rekao je glavni autor Araš Hadžisafi, doktorant informatike pod nadzorom Šahabija. „Sve te informacije se povlače kako bi pomogle modelu da shvati relevantne karakteristike ove vrste napada. Tako da čak i ako unesete u neuronsku mrežu malu količinu uzoraka, ona će i dalje naučiti.“
Cilj nije zameniti lekare, rekli su istraživači, već dopuniti njihovo znanje u slučajevima koje je teško otkriti. Za Pola Tompsona, neuronaučnika USC i profesora neurologije koji nije bio uključen u studiju, to je dobrodošao napredak koji bi mogao biti „promena igre“ u kliničkoj neurologiji.
„Razumevanje tipova napada je ključno za rano lečenje, ali snimci moždane aktivnosti su izuzetno složeni“, rekao je Tompson. „Ovaj proboj donosi moć veštačke inteligencije da otkrije obrasce koje bi čoveku bilo teško da identifikuje, čineći ovaj zadatak lakšim, bržim i pouzdanijim za kliničare.
Jednog dana, istraživači se nadaju da će tehnologija biti ugrađena u nosive senzore koji prenose informacije pametnom telefonu.
„Napadi mozga se dešavaju veoma iznenada, pa bi ranije otkrivanje napada zaista moglo da spase živote“, rekao je Šahabi. „Sistem bi mogao da podstakne upozorenje ako otkrije bilo kakve nepravilnosti u moždanim talasima. To bi otvorilo neverovatne mogućnosti za dijagnozu i lečenje epilepsije.“
