Conditional Spatial Classification of Expert-Confirmed Interictal Epileptiform Discharge Epochs: An EEG-ECG Ablation and SHAP Analysis

人間の脳は、思考、運動、感覚を調整するために絶えず発火している、電気信号の広大で複雑なネットワークです。時折、この電気活動が途切れ、間欠性てんかん様放電と呼ばれる短時間の異常なバーストを生じさせることがあります。これらは痙攣そのものではなく、患者の状態を理解しようとする医師にとって重要な手がかりとなる、特有の電気的署名です。これらの信号を理解するために、専門家はそれらが頭皮の表面のどこに現れるかに注目します。バーストは頭の前部に集中していることもあれば、表面全体に広がっていたり、後部に局在していたりすることもあります。この位置を特定することは、関与している潜在的な脳ネットワークをマッピングする助けとなり、これは治療計画を立てるための極めて重要なステップとなります。しかし、これらの信号を読み解くことは困難な作業であり、専門家は数時間の記録の中から、これらの束の間の瞬間を見つけ出し、その形状と位置によって分類しなければなりません。

最近のある研究は、この分野における特定の課題に取り組みました。すなわち、専門家がすでに4秒間の脳活動の中にこうした異常なバーストが含まれていることを確認した後に、コンピュータプログラムがそのバーストを正しい位置のカテゴリーに正確に分類できるか、という課題です。研究者たちは、コンピュータに最初にバーストを見つけさせることは求めませんでした。なぜなら、それは全く別の問題だからです。代わりに、彼らは人間による専門家の検証を経て、異常活動が含まれていることが確認された2,514個の4秒間のクリップから開始しました。目標は、コンピュータがこれらの確認されたクリップを見て、その活動が全般的なものか、前頭部か、側頭部か、後頭部か、あるいは中心・頭頂部であるかを判断できるかどうかを確認することでした。これを行うために、チームは様々な情報の組み合わせをテストしながら、データを様々なコンピュータモデルに投入しました。彼らは、頭皮にある19個のセンサーからの標準的な脳波記録から始め、次に心臓の電気活動の記録を加え、最後に脳波、心臓信号、および筋肉の活動を捉える29個のセンサーのフルセットを含めました。

結果は、心臓信号を加えることで顕著な違いが生じることを示しました。コンピュータモデルが脳波センサーのみに依存していた場合、最高のシステムは位置を約89パーセントの確率で正しく特定しました。しかし、研究者が脳センサーとともに心臓信号を含めたところ、精度は大幅に跳ね上がりました。一連の決定ルールを構築することでデータから学習した最も成功したモデルは、心臓信号を含めることで93パーセントを超える精度に達し、フルセットのセンサーを使用した場合には94.5パーセント近くまで上昇しました。研究では、テストされたすべてのコンピュータモデルにおいて、心臓データが混合に含まれている場合にパフォーマンスが向上することが分かりました。最も成功したモデルにおいて、心臓信号自体が意思決定プロセスに大きく貢献しており、左右の腕からの電気活動がモデルの推論の大部分を占めていました。さらに、心臓信号の変動速度が、モデルが選択を行う際に使用した最も重要な情報であることが判明しました。

データの分類におけるこれらの明確な改善にもかかわらず、研究者たちは自分たちの発見の限界を定義することに慎重です。この研究は、心臓に関連する信号が、すでに人間の専門家によって確認された脳活動をコンピュータがより良く分類できることを示しています。これは、心臓がこれらの脳のバーストを引き起こすことを証明するものでもなければ、心臓信号がてんかんの新しい生物学的マーカーであることを示唆するものでもありません。この知見は、既知の事象を分類するという特定のメソッドに特化したものであり、このシステムがライブ患者においてこれらのバーストを自律的に検出できるようになったことや、システムがすべての人に対して機能することを保証するものでもありません。この研究は、手法的な洞察を提供しています。すなわち、確認された脳波パターンを整理するという特定のタスクにおいて、心臓の電気的リズムを含めることは測定可能な利点をもたらすということです。これは、身体のシステムがあまりにも密接に絡み合っているため、心臓からの信号でさえ脳内の事象の位置を明確にする助けになることを示唆していますが、これはあくまでデータの整理方法を洗練するためのツールであり、疾患そのものを診断するための新しい方法ではありません。