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

기술 요약: EEG 를 통한 전파 탈분극의 실시간 비침습적 영상화 및 검출

문제 제기
전파 탈분극 (SDs) 은 신경 중환자 치료에서 이차성 뇌 손상의 주요 원인이지만, 현재 그 검출은 침습적인 피질 전기뇌파 (ECoG) 에 의존하고 있습니다. 비침습적 뇌파 (EEG) 는 잠재적인 대안을 제시하지만, 두피 EEG 를 통한 SD 검출은 신호 감쇠, 잡음, 그리고 기존 분석 방법의 한계로 인해 방해받고 있습니다. 기존 접근법은 일반적으로 고정된 고밀도 전극 맵에 대한 1 차원 시간적 전력 변화를 분석합니다. 이러한 방법들은 EEG 교류 (AC) 전력 오프셋의 변동, 외과적 외상 환자에서 고정된 고밀도 전극 세팅의 비실용성, 그리고 SD 특유의 전력 억제를 다른 비병리적 신호 변동과 구별하지 못하는 능력 부재로 인해 임상 환경에서 종종 실패합니다. furthermore, 이전 알고리즘들은 표준 침대 측 하드웨어 (CPU) 에서 실시간 처리 기능을 lacking 하며, 종종 결정을 내리기 위해 광범위한 데이터 창 (예: 30 시간) 을 필요로 하여 예후 판정을 지연시킵니다.

방법론
저자들은 SD 검출을 1 차원 시계열 작업에서 순차적 2 차원 영상 작업으로 변환하는 새로운 초경량 다중 모드 딥러닝 프레임워크를 제안합니다. 방법론은 다음 단계들을 거쳐 진행됩니다:

1. 신호 전처리 및 특징 추출:

   • EEG 신호는 DC 드리프트와 고주파 잡음을 제거하기 위해 대역 통과 필터 (0.5–45 Hz) 를 적용받습니다.
   • 스펙트로그램 생성: Hanning 윈도우를 사용한 단시간 푸리에 변환 (STFT) 을 사용하여 AC EEG 신호를 1 분의 시간 해상도와 1 Hz 의 주파수 해상도를 가진 2 차원 스펙트로그램 이미지 (30 × 30 배열) 로 변환합니다. 분석은 신호 전력이 가장 높은 0.5–1.85 Hz 대역에 초점을 맞추며, 특히 0.5–45 Hz 델타 대역의 전력 배열을 추출합니다.
   • 전력 벡터 생성: 동시에, 동일한 30 분 슬라이딩 윈도우에 대해 1 차원 시간적 전력 벡터가 계산됩니다.

2. 네트워크 아키텍처:

   • 이 모델은 이중 경로 합성곱 신경망 (CNN) 아키텍처를 사용합니다.
   • 이미지 경로: 2 차원 스펙트로그램 이미지를 3×3 커널을 가진 2 차원 합성곱 레이어, ReLU 활성화 함수, 그리고 최대 풀링이 포함된 세 개의 블록을 통해 처리합니다.
   • 벡터 경로: 1 차원 전력 벡터를 1 차원 합성곱 레이어가 포함된 세 개의 블록을 통해 처리합니다.
   • 퓨전: 두 경로에서 나온 특징 맵은 재구성되어 연결되고, 최종 CNN 블록을 통과하여 스펙트로그램 영상 특징과 시간적 전력 벡터를 융합합니다.
   • 출력: 네트워크는 각 30 분 윈도우에 대해 이진 결과 (SD 유무) 를 생성합니다.

3. 신뢰도 점수화:

   • 설명 가능성을 높이기 위해, 30 분 슬라이딩 윈도우가 각 시간점 주변의 이진 결과를 합산하여 신뢰도 점수 (0–30) 를 생성합니다. 이는 SD 억제의 정점을 강조하고 검출 확신의 정량적 측정을 제공합니다.

4. 데이터 전략:

   • 공동 등록된 EEG 와 ECoG 데이터의 희소성으로 인해, 본 연구는 두 명의 환자 (17 개의 확인된 SD 가 있는 외상성 뇌손상 환자 1 명, SD 가 없는 MHS 환자 1 명) 의 데이터를 활용했습니다.
   • 모델을 훈련시키기 위해 저자들은 SD 특유의 전력 억제 프로필과 다양한 수준의 잡음을 비-SD EEG 추적선에 증강하여 대규모 데이터셋 (훈련 및 테스트용 1,700 시간) 을 시뮬레이션했으며, 이는 COSBID 합의 지침에 대해 검증되었습니다.

주요 기여

1. 바이오마커로서의 스펙트로그램: 본 연구는 전통적인 1 차원 전력 벡터에 비해 SD 검출을 위한 독립적이고 우수한 바이오마커로서 주파수 제한된 2 차원 스펙트로그램 영상화를 도입하며, 주파수 영역에 SD 의 암시적 특징이 포함되어 있음을 입증합니다.
2. 초경량 실시간 처리: 이 모델은 GPU 가속 없이 CPU 만으로 실행되도록 설계되어, 전처리를 포함하여 EEG 1 시간당 0.3 초 미만의 추론 시간을 달성합니다. 이는 몇 시간의 처리 시간이나 GPU 하드웨어를 필요로 했던 이전 방법들과 극명하게 대비됩니다.
3. 유연한 전극 구성: 이 프레임워크는 단일 전극 기반으로 작동하여 고정된 고밀도 전극 맵에 대한 요구 사항을 제거합니다. 이는 두개골 절개술 후 환자 등을 포함한 다양한 임상 시나리오에 적합한 유연한 전극 위치 설정을 가능하게 합니다.
4. 감소된 모니터링 창: 이 모델은 의사 결정을 위해 30 시간의 창이 필요한 기존 방법과 비교하여 의사 결정을 위해 단지 30 분의 창만 필요로 하여 모니터링 압력을 크게 줄입니다.
5. 설명 가능성: 신뢰도 점수 생성은 이전 딥러닝 접근법의 '블랙박스'성을 해결하며, 검출 결정에 대한 정량적 근거를 임상가들에게 제공합니다.

결과

• 증강된 SD 데이터에서의 성능: 이중 경로 모델은 이진 검출 (5 단계) 에서 특이도 0.9155, 민감도 0.7095, 정확도 0.8567 을 달성했습니다. 정점 검출 (6 단계) 의 경우, 절단된 모델 (스펙트로그램 전용 또는 전력 벡터 전용) 에 비해 가장 적은 수의 위양성 정점을 기록하며 민감도 0.9848 을 달성했습니다.
• 비-SD 데이터에서의 특이도: SD 가 없는 뇌손상 환자의 EEG 로 테스트했을 때, 이중 경로 모델은 가장 높은 특이도 (0.9369) 와 기대되는 신뢰도 점수에 대한 가장 낮은 유클리드 거리를 보여주어, SD 특유의 변화를 일반적인 신호 변동과 효과적으로 구별했습니다.
• 절단 연구: 스펙트로그램 전용 경로는 전력 벡터 전용 경로 (0.6175) 보다 높은 민감도 (0.8325) 를 보였으나 특이도는 낮았습니다. 두 모달리티의 융합은 최상의 균형을 제공하여 스펙트로그램이 독립적인 특징 원천으로서의 유용성을 확인시켰으며, 전력 벡터는 특이도 향상에 기여함을 입증했습니다.
• 추론 속도: 표준 CPU(Intel Xeon 2.20 GHz) 에서 총 처리 시간은 EEG 1 시간당 약 0.21 초 (0.13 초 추론 + 0.08 초 전처리) 였습니다. 저사양 GPU(NVIDIA T4) 에서는 추론 시간이 EEG 1 시간당 단 4 밀리초에 불과했습니다.

의의 및 주장
본 논문은 GPU 가속 없이 표준 침대 측 CPU 에서 작동할 수 있는 최초의 실시간 비침습적 SD 검출 프레임워크를 제시한다고 주장합니다. 1 차원 시계열 분석에서 2 차원 스펙트로그램 영상화로 검출 패러다임을 전환함으로써, 이 연구는 주파수 영역 특징이 검출 정확도를 향상시킨다는 예비 증거를 제공합니다. 저자들은 이 방법이 처리 시간을 (시간에서 초로) 그리고 필요한 데이터 창을 (30 시간에서 30 분으로) 획기적으로 줄여 조기 SD 검출과 즉각적인 뇌손상 예후 판정을 용이하게 한다고 주장합니다. furthermore, 단일 전극 접근법은 가변적인 전극 위치 설정을 가진 초저밀도 EEG 설정에서 SD 모니터링을 위한 경로를 제공하여, 침습적 ECoG 모니터링을 받을 수 없는 수백만 명의 뇌졸중 및 외상 환자들의 SD 스크리닝 접근성을 확장할 잠재력을 가집니다. 저자들은 현재 데이터가 두개골 절제술을 받은 환자 (신호 전달을 향상시킬 수 있음) 를 포함하고 있지만, 이 방법은 더 크고 다양한 데이터셋에서의 추가 검증을 전제로 intact 두개골을 가진 환자들에게도 이전 가능할 것으로 예상한다고 언급했습니다.