A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures

Sintesi Tecnica: Un Framework di Deep Learning Multi-modale Non Invasivo per la Predizione Progressiva delle Crisi Epilettiche

Definizione del Problema
L'epilessia colpisce circa 65 milioni di individui in tutto il mondo, una parte significativa dei quali (30–40%) soffre di epilessia farmaco-resistente che non può essere gestita attraverso i tradizionali interventi farmacologici. Mentre i dispositivi di neuromodulazione esistenti (ad esempio, la Neurostimolazione Risolutiva e la Stimolazione del Nervo Vago) hanno utilizzato con successo l'identificazione della crisi per attivare la stimolazione terapeutica, la predizione della crisi rimane un bisogno critico e non soddisfatto. I sistemi predittivi potrebbero consentire ai pazienti di intraprendere azioni precauzionali o permettere ai dispositivi di alterare i modelli di stimolazione per prevenire interamente le crisi.

Tuttavia, la predizione delle crisi deve affrontare due sfide tecniche primarie:

1. Sbilanciamento dei Dati: Gli eventi epilettici sono scarsi rispetto ai periodi non epilettici, portando a dataset di addestramento distorti.
2. Difficoltà di Classificazione Temporale: Classificare accuratamente il periodo pre-crisi (preictale) molto prima dell'inizio (fino a un'ora prima) è difficile. I modelli spesso soffrono di bassa sensibilità (falsi negativi) per le prime finestre pre-crisi e bassa specificità (falsi positivi) man mano che la crisi si avvicina. Inoltre, la maggior parte delle soluzioni di deep learning (DL) esistenti si basa su dati mono-modali (ad esempio, l'elettroencefalogramma intracranico o l'elettroencefalogramma di superficie da soli), lasciando in gran parte inesplorato il potenziale dell'integrazione multi-modale.

Metodologia
Gli autori propongono un framework multi-modale personalizzato utilizzando segnali non invasivi di elettroencefalogramma (EEG) ed elettrocardiogramma (ECG). Il sistema è progettato come una Rete di Area Corporea (Body Area Network - BAN) in cui i nodi indossabili eseguono l'inferenza locale, trasmettendo i risultati a un gateway che coordina l'azione con un controller di Stimolazione Cerebrale Profonda (DBS) impiantabile.

• Fonte dei Dati: Lo studio utilizza i dati del progetto EPILEPSIAE, selezionando specificamente 29 pazienti con registrazioni disponibili di ECG a singolo canale non invasivo e EEG di superficie (sistema 10–20). Il dataset include registrazioni continue a lungo termine con una media di 165 ore per paziente.
• Strategia di Etichettatura: Per affrontare la natura progressiva della predizione, gli autori definiscono uno schema di classificazione multi-classe. Il tempo che precede una crisi è suddiviso in quattro intervalli di 15 minuti (0–15, 15–30, 30–45 e 45–60 minuti prima dell'inizio). Una quinta classe rappresenta il periodo non epilettico (interictale) (più di 90 minuti prima). I periodi di crisi (ictali) sono esclusi dall'addestramento.
• Architettura di Deep Learning:
  • Modalità Individuali: Reti Neurali Convoluzionali (CNN) 1D separate vengono addestrate per i dati EEG e ECG. Ogni rete consiste in quattro blocchi di strati Conv1D e Max-pooling, seguiti da strati densi con attivazione ReLU e un ultimo strato Softmax.
  • Funzione di Perdita: Per mitigare lo sbilanciamento delle classi, i modelli sono addestrati utilizzando la funzione di Focal Loss.
  • Modello Combinatore: Gli output (probabilità) dai singoli modelli EEG e ECG sono inseriti in un modello "combinatore" di Regressione Logistica. Questo modello integra le probabilità multi-modali per produrre la predizione finale.
• Vincoli del Sistema: L'architettura è ottimizzata per l'implementazione edge. Il tempo di esecuzione dell'inferenza sulla piattaforma Xilinx KV260 è mediamente di 20 ms. Il sistema privilegia modelli leggeri per ridurre il costo computazionale, l'uso della memoria e il consumo energetico, rendendolo adatto a dispositivi indossabili e impiantabili.

Contributi Chiave

1. Integrazione Multi-modale: Il documento dimostra la sinergia derivante dalla combinazione di segnali EEG ed ECG non invasivi, mostrando che l'approccio combinato supera i modelli mono-modali sia in sensibilità che in specificità.
2. Predizione Progressiva: A differenza dei classificatori binari crisi/non-crisi, questo framework implementa un algoritmo multi-classe capace di predire il conto alla rovescia verso l'inizio della crisi in intervalli di 15 minuti fino a un'ora prima.
3. Framework Ottimizzato per l'Edge: Il sistema è progettato per l'elaborazione in tempo reale su dispositivi edge, utilizzando la comunicazione ultrasonica per la BAN al fine di minimizzare l'overhead di trasmissione dei dati e preservare la durata della batteria, affrontando al contempo le preoccupazioni relative alla privacy associate alle soluzioni basate sul cloud.
4. Addestramento Personalizzato: I modelli sono addestrati individualmente per ogni paziente per tenere conto della variabilità fisiologica, utilizzando un dataset completo di 29 pazienti.

Risultati Sperimentali
Il sistema è stato valutato tramite una validazione incrociata a 5 pieghe (5-fold cross-validation) sul dataset di 29 pazienti. I risultati, mediati tra tutti i pazienti, indicano che:

• Metriche di Prestazione: Il modello combinato multi-modale ha raggiunto una sensibilità del 95%, una specificità del 98% e un'accuratezza del 97%.
• Analisi della Matrice di Confusione: Il sistema ha dimostrato prestazioni solide nell'identificare i periodi non epilettici. Sebbene l'accuratezza per specifici intervalli pre-crisi variasse, gli errori si verificavano prevalentemente tra classi temporali adiacenti (ad esempio, predire 30–45 minuti quando l'etichetta reale era 45–60 minuti), suggerendo che il modello cattura la tendenza generale dell'avvicinarsi dell'inizio della crisi.
• Tendenze Temporali: L'accuratezza è migliorata man mano che il tempo predetto si avvicinava all'inizio della crisi, in linea con l'aspettativa che i marcatori pre-crisi diventino più distinti man mano che l'evento si avvicina.

Significatività e Rivendicazioni
Gli autori affermano che questo framework offre una soluzione robusta per i sistemi di neuromodulazione a circuito chiuso (closed-loop) di prossima generazione. Fornendo avvisi tempestivi e granulari (fino a un'ora in anticipo), il sistema consente ai pazienti di avvisare i caregiver o evitare attività pericolose. Inoltre, l'integrazione di segnali cardiaci non invasivi nella predizione delle crisi amplia la portata delle tecnologie indossabili. Il documento posiziona questo lavoro come un passo verso la prevenzione totale delle crisi, permettendo ai dispositivi di alterare i modelli di stimolazione in base alla probabilità predetta, passando da un trattamento reattivo a un intervento proattivo. Gli autori osservano che, sebbene il rumore derivante dalle attività quotidiane sia un fatto noto, l'attuale studio si concentra sull'efficacia del framework di DL multi-modale, mentre la robustezza al rumore sarà oggetto di futuri studi.