Localising the Seizure Onset Zone from Routine Interictal and Ictal Scalp EEG Via a Factorised Spatiotemporal Ensemble Deep Learning Framework

뇌전증은 뇌에서 갑작스럽고 이유 없는 전기적 폭풍이 발생하여 발작을 일으키는 질환입니다. 많은 사람에게 표준 약물은 이러한 사건을 멈추지 못하며, 이로 인해 발작의 위험을 안고 살 것인지 아니면 문제를 일으키는 특정 조직을 제거하기 위해 뇌 수술을 받을 것인지라는 어려운 선택에 직면하게 됩니다. 이 수술의 성공은 전기적 폭풍의 정확한 시작점, 즉 발작 시작 구역(seizure onset zone)을 찾는 데 전적으로 달려 있습니다. 현재 의사들은 발작이 발생하는 순간을 포착하기 위해 장기간 병원 모니터링에 의존하는데, 이는 며칠이 걸릴 수 있고 환자가 약 복용을 중단해야 하며 상당한 위험을 동반합니다. 또는 뇌에 직접 전극을 삽입하는 침습적인 방법을 사용하기도 하는데, 이는 수술과 합병증의 위험을 수반합니다. 발작을 포착하는 것은 드물고 어렵기 때문에, 의사들은 종종 발작 사이의 조용한 기간인 간질 간기(interictal periods)를 바탕으로 문제가 어디에 있는지 추측해야 합니다. 이 조용한 기간에는 미세하고 순식간에 지나가는 전기적 스파이크가 존재하지만, 이 신호들은 두개골과 두피를 통과해 머리 표면의 센서에 도달할 때 종종 희미해지거나 왜곡됩니다.

한 연구자가 이러한 조용한 기간을 읽어내어 침습적인 수술이나 발작을 기다릴 필요 없이 발작 발생 가능성이 높은 위치를 찾아내는 새로운 컴퓨터 시스템을 개발했습니다. 연구자는 사례를 통해 학습하는 유형의 인공지능인 딥러닝 프레임워크를 만들었으며, 이를 약물 저항성 뇌전증 환자들의 수천 시간의 일상적인 뇌파 기록을 통해 학습시켰습니다. 이 시스템은 발작 사이에 발생하는 미세한 전기적 스파이크 패턴을 인식하고 이를 뇌의 6개 주요 영역에 매핑하도록 교육받았습니다. 이를 가능하게 하기 위해 연구자는 전기 신호의 타이밍과 두피상의 위치를 서로 별개이지만 연결된 두 사건으로 취급하는 모델을 구축했습니다. 이 설계는 신호가 측정되는 위치에 따라 다르게 보일 수 있다는 점을 컴퓨터가 이해하도록 도와주며, 머리를 통과할 때 발생하는 자연스러운 흐erting(흐릿함) 현상을 극복하게 해줍니다. 이 모델은 대규모 환자 그룹을 대상으로 테스트되었으며, 대부분의 경우에 연관된 뇌 영역을 정확하게 식별해 내며 높은 정확도를 입증했습니다. 또한 다른 병원의 데이터와 어린이들의 기록에서도 잘 작동하여, 실제 의료 현장에서 발견되는 자연스러운 변동성을 처리할 수 있음을 시사했습니다.

연구자는 100명의 환자로부터 얻은 6,000시간 이상의 뇌파 기록으로 구성된 방대한 데이터셋을 선별했습니다. 연구자는 이 데이터를 정밀하게 정제하여 노이즈를 제거하고 신호 측정 방식을 표준화한 후 시스템에 입력했습니다. 컴퓨터는 1초 미만에서 수십 분의 1초 동안 지속되는 특정 형태의 전기적 스파이크를 찾도록 훈련되었습니다. 단 하나의 완벽한 패턴을 찾으려 하는 대신, 시스템은 마치 병리학자가 미세한 세부 사항과 더 넓은 구조를 모두 보기 위해 다양한 배율로 조직 샘플을 관찰하는 것처럼, 다양한 속도에서 이러한 신호를 포착하기 위해 다층적인 분석을 사용합니다. 시스템이 이러한 신호를 식별하면, 특수한 방법을 사용하여 그것이 뇌의 어느 부분에서 왔는지 결정합니다. 이는 신호가 발생한 '언제'라는 질문과 그것이 기록된 '어디'라는 질문을 분리함으로써, 이전 방식보다 전기적 활동의 경로를 더 명확하게 추적할 수 있게 해줍니다.

이 연구의 결과는 유망합니다. 시스템이 한 번도 본 적 없는 환자 그룹을 대상으로 테스트했을 때, 약 89%의 세션에서 발작 시작 구역을 정확히 식별했습니다. 이 성능은 표준적인 비침습적 기록을 사용할 때 서로 다른 뇌 영역을 구분하는 데 어려움을 겪는 기존의 컴퓨터 모델들보다 유의미하게 뛰어난 수치였습니다. 또한 시스템은 다른 병원의 환자 그룹, 특히 어린이를 포함한 그룹을 대상으로 테스트했을 때 84% 이상의 정확도를 달em하며 놀라운 신뢰성을 보여주었습니다. 아마도 가장 중요한 점은, 뇌전증 병력이 없는 건강한 사람들의 기록을 테스트했을 때 어떠한 오보도 발생시키지 않고 발작 활동이 없음을 정확히 식별했다는 것입니다. 실제 뇌 신호와 무해한 노이즈를 구분하는 이 능력은 임상적 활용에 있어 매우 중요한데, 이는 이 도구가 정말로 의사의 주의가 필요한 사례만을 표시할 수 있다는 믿음을 주기 때문입니다.

정확성을 넘어, 이 시스템은 속도 면에서도 획기적인 개선을 제공합니다. 전문가 팀이 수동으로 검토하는 데 몇 시간 또는 며칠이 걸릴 수 있는 24시간 전체 뇌 활동 기록을 이 시스템은 단 4분 만에 처리할 수 있습니다. 컴퓨터가 실제로 뇌파를 분석하는 데 걸리는 시간은 8초 미만이며, 나머지 시간은 단순히 데이터 파일을 읽고 분석을 위해 준비하는 데 소요됩니다. 이러한 속도는 이 도구가 환자를 빠르게 스크리닝하여, 전문가가 상세히 검토해야 할 가장 가능성 높은 영역을 강조해 주는 용도로 사용될 수 있음을 시사합니다. 연구자는 이 시스템이 신경과 의사의 판단을 대체하려는 것이 아니라 강력한 조력자 역할을 하기 위한 것이라고 강조합니다. 탐색 범위를 좁히고 발작이 시작될 가능성이 높은 곳에 대한 명확하고 데이터에 기반한 제안을 제공함으로써, 의사들이 더 정밀한 수술을 계획하고 환자들이 장기간의 위험한 모니터링이나 침습적인 절차를 겪어야 하는 필요성을 줄이는 데 도움을 줄 수 있습니다.

이 연구는 또한 스파이크가 정확히 언제 발생했는지 알려주는 특정 표식이 없는 상황, 즉 의사가 모든 사건에 대한 완벽한 로그를 가지고 있지 않을 수 있는 실제 상황을 시뮬레이션하여 시스템이 얼마나 잘 작동하는지 탐구했습니다. 이러한 조건에서도 시스템은 약 3분의 2의 사례에서 뇌 영역을 정확히 식별하며 높은 수준의 정확도를 유지했는데, 이는 무작위 확률보다 유의미하게 높은 수치입니다. 연구자는 시스템이 뇌전증이 가장 흔하게 발생하는 부위인 전두엽과 측두엽의 발작을 식별하는 데 특히 뛰어나다는 것을 발견했습니다. 머리 뒷부분의 후두엽에 대해서는 두개골을 통해 신호를 감지하는 어려움 때문에 정확도가 약간 낮았지만, 시스템은 여전히 이전 방법들보다 해당 사례들을 더 자주 식별해 냈습니다. 또한 연구자는 시스템이 근육 움직임이나 눈 깜빡임과 같은 흔한 방해 요소들을 무시하는 법을 배웠다고 언급했는데, 이는 시스템이 단순히 신호의 모양뿐만 아니라 전기 신호가 뇌를 가로질러 이동하는 특정한 방식에 집중했기 때문에 가능했습니다.

이 작업은 뇌전증 치료를 더 안전하고 효율적으로 만드는 데 있어 중요한 진전을 의미합니다. 일상적인 비침습적 뇌 기록이 높은 정밀도로 발작의 근원을 찾아낼 수 있는 충분한 정보를 담고 있음을 증명함으로써, 연구자는 진단을 위한 새로운 길을 열었습니다. 다양한 환자 그룹, 특히 어린이와 다른 병원의 성인을 아우르는 일반화 능력을 통해 이 시스템이 전 세계 클리닉에서 신뢰할 수 있는 도구가 될 수 있음을 보여주었습니다. 연구자는 향-후 전향적 임상 시험을 통해 이러한 결과를 확정하기 위해 추가적인 테스트가 필요하다는 점을 인정하면서도, 현재의 결과는 환자들이 침습적인 절차 없이 더 빠르고 정확한 진단을 받을 수 있는 미래를 위한 강력한 토대를 제공한다고 밝혔습니다. 이 도구는 복잡하고 노이즈가 많은 뇌파 데이터와 의사가 환자를 돕기 위해 필요한 명확하고 실행 가능한 정보 사이의 가교 역할을 합니다.