Međunarodni dan epilepsije — 12.2.2024.
Međunarodni dan epilepsije obilježava se svake godine drugog ponedjeljka u veljači i lijepa je prilika da se podigne svijest o epilepsiji: što je to, kako se liječi i što možemo učiniti da podržimo one koji boluju od nje.
Budući da je detekcija epilepsije bila tema mog istraživanja zadnje četiri godine, željela sam predstaviti pogled inženjera o izazovima koji nas još uvijek dijele od toga da imamo nosive uređaje za praćenje epilepsije u svakodnevnom životu.
Ali prvo…
Zašto govoriti o epilepsiji?
Epilepsija je kronični neurološki poremećaj karakteriziran iznenadnom pojavom napadaja, koji predstavljaju ozbiljne zdravstvene rizike i mnoga ograničenja u svakodnevnom životu bolesnika. Što je još važnije, pogađa 0.6 do 0.8% svjetske populacije [1], što znači blizu 1 osobe na svakih 150. Jedna je od najčešćih neuroloških bolesti [2], uz migrenu, moždani udar i Alzheimerovu bolest. Međutim, uzroci epilepsije još nisu u potpunosti razjašnjeni, no predložena je klasifikacija na idiopatsku (s pretpostavljenom genetskom osnovom), simptomatsku (koja je rezultat strukturalne abnormalnosti) ili kriptogenu (koja je rezultat nepoznatog uzroka) [3]. Postoji nekoliko podjela epileptičkih napadaja, a tri najjednostavnije su:
- Generalizirani (obuhvaćaju cijeli mozak) i fokalni ili parcijalni (imaju jasno žarište u mozgu)
- Sa ili bez motorne komponente odnosno grčenja mišića i trešnje
- Sa ili bez gubitka svijesti
Važno je znati da danas postojeći farmakološki tretmani ne pomažu čak trećini pacijenata. Opasnosti koje napadi donose, kao i činjenica da mnogi napadi ostaju nezabilježeni zbog nedostatka sjećanja pacijenata, jedan je od motivatora razvoja malih, ne-stigmatizirajućih, nosivih uređaja koji bi se mogli koristiti za svakodnevno praćenje epilepsije.
Nosivi uređaji za epilepsiju
Nosivi uređaji za epilepsiju imaju golem potencijal za otkrivanje napada ili u idealnom scenariju čak i njihovo predviđanje. Informacije koje takvi uređaji mogu omogućiti ključne su za osmišljavanju novih tretmana, pomoć pacijentima u njihovom svakodnevnom životu i sprječavanju mogućih nezgoda. Na primjer, jednog dana takvi bi uređaji mogli upozoriti pacijenta da dolazi napad, poslati informacije njegovom liječniku/obitelji i čak dozirati lijek. Bolesnici s epilepsijom iskazali su snažan interes za korištenje novih tehnologija[4], a ta potreba je također vidljiva u sve većem broju studija i publikacija o metodama otkrivanja napadaja nosivim uređajima. No, nažalost ipak je još mnogo tehnološkog napredka ispred nas
EEG (elektroencefalogram) je najkorištenija klinička tehnika za dijagnosticiranje, otkrivanje i predviđanje napadaja u kliničkoj praksi. Stoga istraživači rade na nosivim EEG uređajima sa smanjenim brojem kanala, kao što su eGlasses [5], senzori iza uha [6] ili čak in-ear uređaji[7].
Međutim, EEG nije idealan biosignal za korištenje izvan bolnice jer teško može biti neprimjetan, što je vrlo važno jer se pacijenti općenito boje stigme koju nosi nošenje takvih uređaja. Drugi biosignali imaju potencijal u otkrivanju napada na puno manje invazivan način i integriranje u male satove ili uređaje nalik na prstene. Neki od tih signala su:
- signali disanja (respiration, RSP),
- otkucaji srca mjereni fotopletizmografijom (photoplethysmography, PPG) — PPG su optički senzori koji se koriste za mjerenje promjena volumena krvi u npr. prstima, zapešćima ili na ušnoj resici,
- temperatura kože (SKT) i elektrodermalna aktivnost (EDA) koje se često mijenjaju pod stresom,
- mišićne kontrakcije mjerene elektromiogramom (EMG),
- ili opći pokreti tijela mjereni žiroskopima i akcelerometrima (ACC).
Prvi nosivi uređaji predloženi za detekciju epilepsije su bili upravo uređaji temeljeni na EMG-u kao što su EDII (IctalCare) ili SPEAC monitor (The Brain Sentinel) i oni temeljeni na akcelerometriji kao što su EpiCare Free (Danish Care Technology) ili SmartWatch (SmartMonitor ). Međutim, oni mogu točno otkriti samo generalizirane napadaje sa motoričkom komponentom, a koji predstavljaju samo mali dio napada i pacijenata.
Stoga multimodalni uređaji postaju nužni. Neki primjeri koji su zapravo dostupni na tržištu su narukvica Epilert (www.epilert.io), Nightwatch (www.nightwatchepilepsy.com), Byteflies’s Sensor-Dot (www.byteflies.com) te Empatica E4 ili Embrace 2 (www .empatica.com/research/e4/). Nažalost, budući da svi oni i dalje samo rade pouzdano za generalizirane napade s jakom motoričkom komponentom, a ne baš tako dobro za fokalne, ovi se uređaji još uvijek ne koriste u potpunosti u praksi.
Konačno, inovativna rješenja za detekciju fokalnih i generalno ne-motoričkih napadaja (koji su većina napadaja) i napadaja kod širokog spektra pacijenata s različitim podrijetlom i morfologijom napadaja tek su pred nama. Strojno i duboko učenje prirodno se predstavljaju kao potencijalna rješenja. Međutim, to nije tako jednostavno.
Strojno učenje za epilepsiju — koji je izazov?
Iako mnoge studije izvješćuju o impresivnim razinama točnosti u detekciji epileptičnih napada pomoću metoda strojnog (ML) ili dubokog učenja (DL), kao što je spomenuto, široko rasprostranjeno usvajanje tehnologije još nije došlo.
Razlozi su mnogi, od kojih su neki specifični za epilepsiju i datasetove:
- Samu epilepsiju i signale epilepsije karakterizira golema neravnoteža u distribuciji podataka (tj. omjer podataka tokom napada i bez napada, jer napadi dolaze relativno rijetko i traju dosta kratko). Postoje različiti pristupi koji se koriste u ML-u, kao što su uzorkovanje podataka (over i under-sampling, te njihove kombinacije); međutim, to ne predstavlja realnost. Stoga, ako trebamo imati ocijeniti performanse algoritma u realnom scenariju, gdje će osoba nositi uređaj svaki dan 24h dnevno, bitno je barem ih testirati na realnoj distribuciji podataka.
- Nadalje, napadi često imaju veoma individualne uzorke, što znači da opći modeli koji su trenirani na velikom skupu podataka različitih pacijenata neće nužno dobro raditi na svim pojedincima. Međutim, treniranje modela za svaku individualnu osobu zahtijeva ili tjedne snimanja signala pojedinca, što je često neizvedivo, ili zahtijeva nove metode personalizacije općih modela korištenjem specifičnih značajki pojedinačnih pacijenata — polje koje još nije dobro istraženo.
- Također, ne postoji mnogo javno dostupnih baza podataka o epilepsiji jer je većina njih privatna (zbog raznih razloga), što otežava korištenje njihovog punog potencijala. U isto vrijeme, izvedba algoritma može uvelike ovisiti o karakteristikama pojedine baze podataka, što ga čini teško usporedivim s drugim algoritmima. Stoga su potrebne inicijative za stvaranje više javnih baza podataka.
Drugi aspekt koji predstavlja izazov su metodologije koje se koriste u treniranju i testiranju ML algoritama. S jedne strane, neke metodologije koji mnogi koriste, nisu analogne korištenju algoritama u svakodnevnom životu pacijenata 24/7, te nije pošteno interpolirati te performance. S druge strane, razlike u metodologijama koje istraživači koriste (i često ih ne opišu dovoljno) onemogućuje usporedbu s drugim algoritmima, osim ako istraživači ponovno ne implementiraju odabrane algoritme za usporedbu unutar vlastitog okvira evaluacije, što je dugotrajno, pa to gotovo nitko ne radi. Ovaj problem je bio prisutan i u drugim istraživačkim poljima, te su znanstvenici predložili standardne definicije zadatka strojnog učenja, metodologije evaluacije te metrike performansi. To je dovelo do dramatičnih poboljšanja u poljima kao što su klasifikacija slika, razgovorni agenti ili računalni modeli moždanih funkcija, jer je omogućilo usporedbu rezultata na ‘fair’ način te time služilo za usmjerenje istraživačkih napora u pravom smjeru. Stoga smo se nedavno, u okviru mog doktorskog i istraživačkog projekta, fokusirali na dizajniranje preporuka i standarda (‘frameworka’) za evaluaciju algoritama za detekciju epilepsije. U okviru tog frameworka predlažemo standardizaciju koja se tiče baza podataka, metodologija evaluacije i metrikama performansi. Konkretno, fokusirali smo se na nekoliko aspekata evaluacije ML algoritma:
- Baze podataka često su u različitim formatima, što čini korištenje svake nove baze vrlo složenom i malo vjerojatnom te većina istraživača odabere jednu bazu i radi samo s njom. To nas sprječava u pravednoj usporedbi rezultata različitih autora koji koriste različite baze podataka. Kao dio našeg prijedloga, odabrali smo javno dostupne baze podataka i standardizirali format podataka i anotacija, potičući tako istraživače da treniraju i testiraju svoje algoritme na više baza podataka. Ovo također omogućuje testiranje mogućnosti generalizacije algoritama kao i prijenos znanja između različitih baza podataka.
- Metodologija evaluacije, od kojih je najbitniji odabir unakrsne validacije (cross-validation), ima veliki utjecaj na objavljene rezultate, ali često nije dovoljno dobro opisana. Nadalje, postoje mnoge metode za podjelu podataka u set za treniranje i validaciju, ali često istraživači ne obraćaju dovoljno pozornosti na uvjet neovisnosti između setova za treniranje i testiranje, što može dovesti do precjenjivanja izvedbe algoritma. Na primjer, kod epilepsije je prisutno precjenjivanje točnosti jer su isti subjekti prisutni i u setovima za treniranje i testiranje, što bi se trebalo izbjegavati. Štoviše, u osobnim modelima važno je poštivati kronologiju snimaka korištenjem retrospektivnih podataka u skupu za treniranje i prospektivnih podataka u skupu za testiranje.
- Naposljetku, metrike kojima kvantiziramo izvedbu algoritama su ključne, ne samo za poštenu usporedbu studija, već i za tumačenje prijavljenih rezultata. S jedne strane, računalni znanstvenici koriste metrike kao što su osjetljivost, preciznost, F1 ili AUC score itd. koje se mjere na temelju svakog uzorka (sampla). Uzorci i predviđene oznake (labels) mogu biti svake pola sekunde, svake sekunde ili rjeđe. S druge strane doktorima i pacijentima ti brojevi malo znače i zanima ih osjetljivost (broj točno detektiranih napada) na razini samih epizoda (a ne samplova) i broj lažno detektiranih epizoda u jednom danu. Pacijenti generalno neće koristiti uređaj koji ima više od 2 lažno detektirana napada u danu. Stoga u našem frameworku predlažemo metrike koje zadovoljavaju potrebe obiju zajednica.
Predloženi framework koji se može koristiti za testiranje algoritama za detekciju epileptičkih napada pomoću EEG 10–20 signala, može se pronaći na našoj web stranici: https://eslweb.epfl.ch/epilepsybenchmarks/
Na kraju, važno je razumjeti složenost zahtjeva koje nosivi uređaji moraju zadovoljiti da bi bili prihvaćeni od strane pacijenata i liječnika. Moraju biti precizni i pouzdani, ali i lagani, mali i gotovo neprimjetni, te sa dovoljnim vijekom trajanja baterije. To znači da su mnogi najsuvremeniji algoritmi neizvedivi zbog pretjeranih zahtjeva za memorijom i/ili napajanjem.
Hiperdimenzionalno računalstvo za epilepsiju
Zbog računalnih i memorijskih izazova mnogih DL algoritama danas, u svom doktoratu sam se usredotočila na testiranje jednog novog pristupa strojnom učenju koji se zove hiperdimenzionalno računalstvo (Hyperdimensional computing -HDC).
HDC je nova ML paradigma inspirirana neuroznanošću, a temelji se na predstavljanju podataka u obliku visokodimenzionalnih hipervektora, koji obično imaju oko 10 000 dimenzija [8]. Ova promjena paradigme u predstavljanju podataka donosi razne prednosti za učinkovito učenje i hardversku implementaciju uz nisku potrošnju. Na primjer, mogućnosti paralelizacije otvaraju put za dizajn učinkovitih akceleratora [9] ili računanja u memoriji [10]. Također, iz perspektive učenja, HDC otvara nove putove za polu-nadzirano [11], distribuirano [12], kontinuirano online učenje [12] ili multi-centroidno učenje [14]. Stoga je HD računalstvo privuklo veliku pozornost za razne biomedicinske primjene, a jedna od njih je detekcija epileptičkih napadaja [15,16].
Kao dio moje doktorske disertacije na EPFL-u u Lausannei, radila sam na poboljšanju dvaju glavnih dijelova HDC: kodiranju podataka u vektore i učenju iz tih vektora. Na primjer, za kodiranje sam testirala različite metode za kodiranje trodimenzionalnih skupova informacija (značajke s prostornim i vremenskim informacijama), kao što je EEG. Zatim, kako bi poboljšali učenje na jako personalnim i nebalansiranim podatcima, osmislili smo pristup učenju s više centroida [ 14], gdje algoritam automatski odlučuje kada su neki obrasci previše različiti te je potrebno više potklasa (centroida) koji predstavljaju jednu klasu (npr. napadaji ili EEG bez napada).
Zatim smo proučavali odnos između osobnih i općih (generalnih) modela [17]. Na primjer, ako svaki pacijent nosi vlastiti uređaj i algoritam uči model za tog pacijenta, kako koristiti te osobne modele za stvaranje općeg modela koji dobro generalizira za sve pojedince? Koliko je osobnih modela potrebno za stvaranje pouzdanog općeg modela i kako možemo kombinirati opći model i osobne modele da postignemo veću točnost otkrivanja napadaja?
Također smo testirali prijenos znanja između modela treniranih na različitim skupovima podataka kako bismo testirali koliko dobro trenirani model na jednoj bazi podatka, radi na bazi podataka koja je snimana sa malo drugačijom opremom.
Konačno, jedan važan aspekt HDC-a je njegov potencijal za tumačenje predviđanja u stvarnom vremenu (interpretability). Pomoću HDC možemo pratiti koji su EEG kanali ili značajke signala bili najvažniji za donošenje odluke o detekciji napadaja u svakom trenutku. Ovaj je aspekt vrlo važan jer modeli crne kutije (black-box models) nisu dobro prihvaćeni u medicinskoj domeni, bez obzira na njihovu izvedbu.
Naposljetku, vjerujem da je hiperdimenzionalno računalstvo jedan od načina koji može pomoći približiti nosive i interpretabilne zdravstvene sustave stvarnosti i svakodnevnom životu pacijenata, ali postoji još mnogo toga što još uvijek nije istraženo! A oboljeli od epilepsije još čekaju. Stoga, ako se počinjete baviti strojnim učenjem, možda bi rad na epilepsiji mogao biti jedan od vaših sljedećih izazova za uhvatiti u koštac :D
Za sva pitanja slobodno me kontaktirajte na una.pale (at) gmail.com
— -
Reference:
[1] F. Mormann i sur., “Predviđanje napadaja: duga i zavojita cesta”, Brain: Journal of Neurology, 2007., DOI :10.1093/brain/awl241.
[2] M. Ihle et al. , “EPILEPSIAE — europska baza podataka o epilepsiji”, ComputerMethods and Programs in Biomedicine , 2012. DOI: 10.1016/j.cmpb.2010.08.011.
[3] P. Kwan i MJ Brodie, “Rana identifikacija refraktorne epilepsije”, The New England Journal of Medicine , 2020. DOI: 10.1056/NEJM200002033420503.
[4] SK Simblett et al. , “Pacijentske perspektive o prihvatljivosti tehnologije mHealth za daljinsko mjerenje i upravljanje epilepsijom: kvalitativna analiza”, Epilepsija i ponašanje , 2019. DOI: 10.1016/j.yebeh.2019.05.035.
[5] D. Šopić et al. , “E-Glass: nosivi sustav za detekciju epileptičkih napadaja u stvarnom vremenu”, u IEEE International Symposium on Circuits and Systems (AISCAS) , 2018., DOI: 10.1109/ ISCAS.2018.8351728.
[6] M. Guermandi et al. , “Nosivi uređaj za minimalno invazivni EEG iza uha i evocirane potencijale”, na konferenciji IEEE Biomedicinski sklopovi i sustavi ( BioCAS ) , 2018., DOI: 10.1109/BIOCAS.2018.8584814.
[7] M. Guermandi et al. , “Bežični sustav za prikupljanje i obradu EEG-a u obliku slušalica s trajanjem baterije od 600 sati”, u IEEE Engineering in Medicine & Biology Society (EMBC) , 2022., DOI: 10.1109/EMBC48229.2022.9871874.
[8] P. Kanerva , “Hiperdimenzionalno računalstvo: Uvod u računalstvo u distribuiranoj reprezentaciji s visokodimenzionalnim slučajnim vektorima”, Kognitivno računanje, 2009., DOI:10.1007/s12559–009–9009–8.
[9] M. Imani i dr., “Ponovni pregled hiperdimenzionalnog učenja za FPGA i arhitekture niske potrošnje”, IEEE HPCA, 2021., DOI:10.1109/HPCA51647.2021.00028.
[10] G. Karunaratne i dr., “Energetski učinkovito hiperdimenzionalno kodiranje u memoriji za prostorno -vremensku obradu signala”, IEEE TCAS, 2021., DOI:10.1109/TCSII.2021.3068126.
[11] M. Imani i sur., “ SemiHD : polu-nadzirano učenje korištenjem hiperdimenzionalnog računarstva”, IEEE ICCAD, 2019., DOI:10.1109/ICCAD45719.2019.8942165.
[12] M. Imani i sur., “Okvir za suradničko učenje u sigurnom visokodimenzionalnom prostoru”, IEEE CLOUD, 2019., DOI:10.1109/CLOUD.2019.00076.
[13] S. Benatti et al., “Online učenje i klasifikacija gesta temeljenih na EMG-u na paralelnoj platformi ultra-niske snage korištenjem hiperdimenzionalnog računarstva”, IEEE TBIoCAS , 2019., DOI:10.1109/TBCAS.2019.2914476.
[14] U. Pale et al., “Multi-Centroid Hyperdimensional Computing Approach for Epileptic Seizure Detection”, Frontiers in Neurology, 2022, DOI: 10.3389/fneur.2022.816294
[15] A. Burrello i dr., “Ansemble of Hyperdimensional Classifiers: Hardware-Friendly Short-Latency Seizure Detection With Automatic iEEG Electrode Selection”, IEEE JBHI, 2021, DOI:10.1109/JBHI.2020.3022211.
[16] F. Asgarinejad i sur., „Otkrivanje epileptičkih napadaja s površinskog EEG-a pomoću hiperdimenzionalnog računarstva”, IEEE EMBC, 2020., DOI:10.1109/EMBC44109.2020.9175328.
[17] U. Pale et al., „Kombiniranje općih i osobnih modela za otkrivanje epilepsije s hiperdimenzionalnim računalstvom“ , Umjetna inteligencija u medicini, 2024., DOI: 10.1016/j.artmed.2023.102754