Real-Time Non-Invasive Imaging and Detection of Spreading Depolarizations through EEG: An Ultra-Light Explainable Deep Learning Approach

Resumen Técnico: Imagen y Detección No Invasiva en Tiempo Real de Despolarizaciones Propagadas mediante EEG

Planteamiento del Problema
Las despolarizaciones propagadas (DP) son una causa crítica de lesión cerebral secundaria en cuidados neurológicos críticos, sin embargo, su detección depende actualmente de la electrocorticografía (ECoG) invasiva. Aunque el electroencefalograma (EEG) no invasivo ofrece una alternativa potencial, la detección de DP mediante EEG en el cuero cabelludo se ve obstaculizada por la atenuación de la señal, el ruido y las limitaciones de los métodos de análisis convencionales. Los enfoques existentes suelen analizar cambios de potencia temporal unidimensionales (1-D) sobre mapas de electrodos fijos de alta densidad. Estos métodos a menudo fallan en entornos clínicos debido a las fluctuaciones en los desplazamientos de potencia de CA del EEG, la poca practicidad de los arreglos fijos de electrodos de alta densidad en pacientes con trauma postquirúrgico y la incapacidad de distinguir la supresión de potencia específica de las DP de otras variaciones de señal no patológicas. Además, los algoritmos anteriores carecen de capacidades de procesamiento en tiempo real en hardware estándar de cabecera (CPU) y a menudo requieren ventanas de datos extensas (por ejemplo, 30 horas) para tomar decisiones, retrasando el pronóstico.

Metodología
Los autores proponen un marco de aprendizaje profundo multimodal novedoso y ultraligero que transforma la detección de DP de una tarea de series temporales 1-D a una tarea de imagen secuencial 2-D. La metodología procede a través de las siguientes etapas:

1. Preprocesamiento de Señal y Extracción de Características:

   • Las señales de EEG se filtran paso banda (0.5–45 Hz) para eliminar la deriva de CC y el ruido de alta frecuencia.
   • Generación de Espectrogramas: Utilizando la Transformada Rápida de Fourier de Ventana Deslizante (STFT) con una ventana de Hanning, la señal de EEG de CA se convierte en imágenes de espectrograma 2-D (matrices de 30 × 30) con una resolución temporal de 1 minuto y una resolución de frecuencia de 1 Hz. El análisis se centra en la banda delta (0.5–45 Hz), extrayendo específicamente matrices de potencia para 0.5–1.85 Hz, donde la potencia de la señal es más alta.
   • Generación de Vectores de Potencia: Simultáneamente, se calculan vectores temporales de potencia 1-D para las mismas ventanas deslizantes de 30 minutos.

2. Arquitectura de la Red:

   • El modelo emplea una arquitectura de Red Neuronal Convolucional (CNN) de doble vía.
   • Vía de Imagen: Procesa las imágenes de espectrograma 2-D a través de tres bloques de capas convolucionales 2-D (núcleos de 3×3), activaciones ReLU y Max Pooling.
   • Vía de Vector: Procesa los vectores de potencia 1-D a través de tres bloques de capas convolucionales 1-D.
   • Fusión: Los mapas de características de ambas vías se remodelan, concatenan y pasan a través de un bloque final de CNN para fusionar las características de imagen del espectrograma con los vectores temporales de potencia.
   • Salida: La red produce un resultado binario (DP presente/ausente) para cada ventana de 30 minutos.

3. Puntuación de Confianza:

   • Para mejorar la explicabilidad, una ventana deslizante de 30 minutos suma los resultados binarios alrededor de cada punto temporal, generando una puntuación de confianza (0–30). Esto resalta el pico de la depresión de DP y proporciona una medida cuantitativa de la certeza de la detección.

4. Estrategia de Datos:

   • Debido a la escasez de datos de EEG y ECoG co-registrados, el estudio utilizó datos de dos pacientes (uno con TBI con 17 DP confirmadas y uno con MHS sin DP).
   • Para entrenar el modelo, los autores simularon un conjunto de datos grande (1.700 horas para entrenamiento y prueba) mediante la augmentación de trazas de EEG sin DP con perfiles de supresión de potencia específicos de DP y niveles variables de ruido, validados contra la guía de consenso COSBID.

Contribuciones Clave

1. Espectrograma como Biomarcador: El estudio introduce el uso de imágenes de espectrograma 2-D restringidas por frecuencia como un biomarcador independiente y superior para la detección de DP en comparación con los vectores de potencia 1-D tradicionales, demostrando que el dominio de la frecuencia contiene características implícitas de las DP.
2. Procesamiento en Tiempo Real Ultraligero: El modelo está diseñado para ejecución solo en CPU, logrando un tiempo de inferencia de <0.3 segundos por hora de EEG (incluyendo preprocesamiento). Esto contrasta marcadamente con métodos anteriores que requieren horas de procesamiento o hardware GPU.
3. Configuración Flexible de Electrodos: El marco opera sobre una base de electrodo único, eliminando el requisito de mapas de electrodos fijos de alta densidad. Esto permite una posicionamiento flexible de electrodos adecuado para diversos escenarios clínicos, incluidos pacientes post-craniotomía.
4. Ventana de Monitoreo Reducida: El modelo requiere solo una ventana de 30 minutos para la toma de decisiones, reduciendo significativamente la presión de monitoreo en comparación con las ventanas de 30 horas requeridas por los métodos convencionales.
5. Explicabilidad: La generación de puntuaciones de confianza proporciona a los clínicos una justificación cuantitativa para las decisiones de detección, abordando la naturaleza de "caja negra" de los enfoques anteriores de aprendizaje profundo.

Resultados

• Rendimiento en Datos de DP Augmentados: El modelo de doble vía logró una especificidad de 0.9155, una sensibilidad de 0.7095 y una precisión de 0.8567 en la detección binaria (Etapa 5). En términos de detección de picos (Etapa 6), logró una sensibilidad de 0.9848 con la menor cantidad de picos de falsos positivos en comparación con modelos ablatados (solo espectrograma o solo vector de potencia).
• Especificidad en Datos sin DP: Cuando se probó en EEG de un paciente con lesión cerebral pero sin DP, el modelo de doble vía demostró la mayor especificidad (0.9369) y la menor distancia euclidiana a las puntuaciones de confianza esperadas, diferenciando eficazmente los cambios específicos de DP de las fluctuaciones generales de la señal.
• Estudios de Ablación: La vía solo de espectrograma mostró una mayor sensibilidad (0.8325) que la vía solo de vector de potencia (0.6175) pero una menor especificidad. La fusión de ambas modalidades proporcionó el mejor equilibrio, confirmando la utilidad del espectrograma como fuente de características independiente, mientras que el vector de potencia ayuda en la especificidad.
• Velocidad de Inferencia: En una CPU estándar (Intel Xeon 2.20 GHz), el tiempo total de procesamiento fue de aproximadamente 0.21 segundos por hora de EEG (0.13s de inferencia + 0.08s de preprocesamiento). En una GPU de baja especificación (NVIDIA T4), la inferencia tomó solo 4 milisegundos por hora.

Significado y Afirmaciones
El artículo afirma presentar el primer marco de detección no invasiva de DP en tiempo real capaz de operar en CPUs estándar de cabecera sin aceleración GPU. Al cambiar el paradigma de detección del análisis de series temporales 1-D a la imagen de espectrograma 2-D, el estudio proporciona evidencia preliminar de que las características del dominio de la frecuencia mejoran la precisión de la detección. Los autores afirman que su método facilita la detección temprana de DP y el pronóstico instantáneo de lesión cerebral al reducir drásticamente el tiempo de procesamiento (de horas a segundos) y la ventana de datos requerida (de 30 horas a 30 minutos). Además, el enfoque de electrodo único ofrece una vía para el monitoreo de DP en configuraciones de EEG de densidad ultra-baja con posicionamiento variable de electrodos, expandiendo potencialmente el acceso a la detección de DP para millones de pacientes con accidentes cerebrovasculares y trauma que no pueden someterse a monitoreo invasivo de ECoG. Los autores señalan que, aunque los datos actuales incluyen pacientes con craneectomías (lo que puede mejorar la transmisión de la señal), se espera que el método sea transferible a pacientes con cráneos intactos, pendiente de una mayor validación en conjuntos de datos más grandes y diversos.