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

Resumo Técnico: Imageamento Não Invasivo em Tempo Real e Detecção de Despolarizações Propagadas através de EEG

Declaração do Problema
As despolarizações propagadas (DPs) são uma causa crítica de lesão cerebral secundária em cuidados neurocríticos, contudo sua detecção atualmente depende de eletrocorticografia (ECoG) invasiva. Embora o eletroencefalograma (EEG) não invasivo ofereça uma alternativa potencial, a detecção de DPs via EEG de couro cabeludo é dificultada pela atenuação do sinal, ruído e pelas limitações dos métodos de análise convencionais. As abordagens existentes analisam tipicamente mudanças de potência unidimensionais (1-D) ao longo do tempo em mapas fixos de eletrodos de alta densidade. Esses métodos frequentemente falham em ambientes clínicos devido a offsets flutuantes de potência CA do EEG, à impraticabilidade de configurações fixas de eletrodos de alta densidade em pacientes com trauma pós-cirúrgico e à incapacidade de distinguir a supressão de potência específica de DPs de outras variações de sinal não patológicas. Além disso, algoritmos anteriores carecem de capacidades de processamento em tempo real em hardware de cabeceira padrão (CPUs) e frequentemente exigem janelas de dados extensas (por exemplo, 30 horas) para tomar decisões, atrasando o prognóstico.

Metodologia
Os autores propõem uma nova estrutura de aprendizado profundo multimodal ultraleve que transforma a detecção de DPs de uma tarefa de série temporal 1-D em uma tarefa de imageamento sequencial 2-D. A metodologia prossegue através das seguintes etapas:

1. Pré-processamento de Sinal e Extração de Características:

   • Sinais de EEG são filtrados em banda (0,5–45 Hz) para remover deriva DC e ruído de alta frequência.
   • Geração de Espectrograma: Utilizando a Transformada de Fourier de Tempo Curto (STFT) com uma janela Hanning, o sinal de EEG CA é convertido em imagens de espectrograma 2-D (arrays 30 × 30) com resolução temporal de 1 minuto e resolução de frequência de 1 Hz. A análise foca na banda delta (0,5–45 Hz), extraindo especificamente arrays de potência para 0,5–1,85 Hz onde a potência do sinal é mais alta.
   • Geração de Vetor de Potência: Simultaneamente, vetores temporais de potência 1-D são calculados para as mesmas janelas deslizantes de 30 minutos.

2. Arquitetura de Rede:

   • O modelo emprega uma arquitetura de Rede Neural Convolucional (CNN) de dupla via.
   • Via de Imagem: Processa as imagens de espectrograma 2-D através de três blocos de camadas convolucionais 2-D (kernels 3×3), ativações ReLU e Max Pooling.
   • Via Vetorial: Processa os vetores de potência 1-D através de três blocos de camadas convolucionais 1-D.
   • Fusão: Os mapas de características de ambas as vias são remodelados, concatenados e passados através de um bloco final de CNN para fundir características de imageamento de espectrograma com vetores temporais de potência.
   • Saída: A rede produz um resultado binário (DP presente/ausente) para cada janela de 30 minutos.

3. Pontuação de Confiança:

   • Para aprimorar a explicabilidade, uma janela deslizante de 30 minutos soma os resultados binários ao redor de cada ponto temporal, gerando uma pontuação de confiança (0–30). Isso destaca o pico da depressão de DP e fornece uma medida quantitativa da certeza da detecção.

4. Estratégia de Dados:

   • Devido à escassez de dados de EEG e ECoG co-registrados, o estudo utilizou dados de dois pacientes (um com TCE com 17 DPs confirmadas, um com MHS sem DPs).
   • Para treinar o modelo, os autores simularam um grande conjunto de dados (1.700 horas para treinamento e teste) ao aumentar traços de EEG sem DPs com perfis de supressão de potência específicos de DPs e níveis variados de ruído, validados contra as diretrizes de consenso COSBID.

Principais Contribuições

1. Espectrograma como Biomarcador: O estudo introduz o uso de imageamento de espectrograma 2-D restrito em frequência como um biomarcador autônomo e superior para detecção de DPs em comparação com vetores de potência 1-D tradicionais, demonstrando que o domínio da frequência contém características implícitas de DPs.
2. Processamento em Tempo Real Ultraleve: O modelo é projetado para execução apenas em CPU, alcançando um tempo de inferência de <0,3 segundos por hora de EEG (incluindo pré-processamento). Isso contrasta fortemente com métodos anteriores que exigiam horas de processamento ou hardware GPU.
3. Configuração Flexível de Eletrodos: A estrutura opera na base de um único eletrodo, removendo a exigência de mapas fixos de eletrodos de alta densidade. Isso permite posicionamento flexível de eletrodos adequado para diversos cenários clínicos, incluindo pacientes pós-craniotomia.
4. Janela de Monitoramento Reduzida: O modelo requer apenas uma janela de 30 minutos para tomada de decisão, reduzindo significativamente a pressão de monitoramento em comparação com as janelas de 30 horas exigidas por métodos convencionais.
5. Explicabilidade: A geração de pontuações de confiança fornece aos clínicos uma fundamentação quantitativa para decisões de detecção, abordando a natureza de "caixa preta" das abordagens anteriores de aprendizado profundo.

Resultados

• Desempenho em Dados de DP Aumentados: O modelo de dupla via alcançou uma especificidade de 0,9155, sensibilidade de 0,7095 e precisão de 0,8567 na detecção binária (Etapa 5). Em termos de detecção de pico (Etapa 6), alcançou uma sensibilidade de 0,9848 com o menor número de picos de falsos positivos em comparação com modelos ablatados (apenas espectrograma ou apenas vetor de potência).
• Especificidade em Dados sem DP: Quando testado em EEG de um paciente com lesão cerebral mas sem DPs, o modelo de dupla via demonstrou a maior especificidade (0,9369) e a menor distância euclidiana para pontuações de confiança esperadas, diferenciando efetivamente mudanças específicas de DPs de flutuações gerais de sinal.
• Estudos de Ablação: A via apenas de espectrograma mostrou maior sensibilidade (0,8325) do que a via apenas de vetor de potência (0,6175), mas menor especificidade. A fusão de ambas as modalidades forneceu o melhor equilíbrio, confirmando a utilidade do espectrograma como fonte de característica independente, enquanto o vetor de potência auxilia na especificidade.
• Velocidade de Inferência: Em uma CPU padrão (Intel Xeon 2,20 GHz), o tempo total de processamento foi de aproximadamente 0,21 segundos por hora de EEG (0,13s de inferência + 0,08s de pré-processamento). Em uma GPU de baixa especificação (NVIDIA T4), a inferência levou apenas 4 milissegundos por hora.

Significado e Alegações
O artigo alega apresentar a primeira estrutura de detecção de DPs não invasiva em tempo real capaz de operar em CPUs de cabeceira padrão sem aceleração GPU. Ao mudar o paradigma de detecção de análise de série temporal 1-D para imageamento de espectrograma 2-D, o estudo fornece evidências preliminares de que características do domínio da frequência melhoram a precisão da detecção. Os autores afirmam que seu método facilita a detecção precoce de DPs e o prognóstico instantâneo de lesão cerebral ao reduzir drasticamente o tempo de processamento (de horas para segundos) e a janela de dados necessária (de 30 horas para 30 minutos). Além disso, a abordagem de eletrodo único oferece um caminho para monitoramento de DPs em configurações de EEG de ultra-baixa densidade com posicionamento variável de eletrodos, potencialmente expandindo o acesso à triagem de DPs para milhões de pacientes com AVC e trauma que não podem submeter-se a monitoramento invasivo por ECoG. Os autores observam que, embora os dados atuais incluam pacientes com craniectomias (o que pode melhorar a transmissão do sinal), espera-se que o método seja transferível para pacientes com crânios intactos, aguardando validação adicional em conjuntos de dados maiores e mais diversos.