KI erkennt frühe Anzeichen von Epilepsie in EEG-Daten

Das Problem des diagnostischen Zeitfensters: Neurologen stützen sich stark auf EEGs zur Diagnose, doch Standard-Klinikaufnahmen liefern lediglich einen 20-minütigen Schnappschuss der Gehirnaktivität, was die manuelle Erkennung extrem schwierig macht, wenn während der Aufzeichnung kein Anfall natürlich auftritt.

Aufbau eines Wellenform-Wörterbuchs: Anstatt übermäßige Anfälle zu verfolgen, behandelt der KI-Algorithmus Basis-EEG-Aufzeichnungen wie eine fremde Sprache, erkennt häufig wiederkehrende elektrische Muster und lernt deren strukturelle Bedeutung im Kontext, um Anomalien hervorzuheben, die menschliche Prüfer übersehen.

Der seierfreie Assay: Um das System zu testen, stellten Forscher mehrtägige EEG-Aufzeichnungen als 40 Mäusen zusammen, ösende Varianten des TSC1-Gens trugen. Der Algorithmus analysierte Basis-Segmente ohne epileptische Aktivität.

Was die Studie zeigt

Hochpräzise genetische Detektion: Der maschinelle Lernansatz unterschied erfolgreich zwischen verschiedenen genetischen Hintergründen und erkannte das Vorhandensein der TSC1-Mutation mit hoher Genauigkeit bei zwei ämmen rein auf der Grundlage der Basis-Gehirnwellen.

Pediatric Clinical Phase: Gefrdert durch das Delaware Clinical and Translational Research ACCEL-Programm berfhrt das Team die Methode in die klinische Praxis, um krzere EEG-Aufnahmen, die sich einer Epilepsie-Evaluation im Nemours Children's Health unterziehen.

Verringerung der familiren Angst: Epilepsie-Anflle natrlichen, unvorhersehbaren Zyklen; die Identifizierung frher, objektiver Biomarker kann die hohe kognitive Belastung und die tiefgreifende Angst beseitigen, die Familien whrend der Wartezeit auf einen Anfall erleben. Horizonte der przisen Behandlung: Die leitenden Forscher Dr. Austin Brockmeier und Dr.

Amanda Hernan betonen, dass die fortgeschrittene

Amanda Hernan betonen, dass die fortgeschrittene Typisierung, dass rzte die Wirksamkeit einer Medikation whrend natrlicher Anfallspausen falsch deuten, und gleichzeitig die Grundlage fr eine kontinuierliche berwachung mittels Wearables fr verwandte Erkrankungen wie Autismus und ADHS legen.

Quelle: University of Delaware Epilepsie ist nicht immer leicht zu diagnostizieren. Krampfanflle treten hufig nicht whrend routinemiger EEG-Aufzeichnungen auf, sodass rzte die direkte Beobachtung vermissen, die fr eine klare Diagnose notwendig ist.

Forscher der University of Delaware und ihre Partner arbeiten daran, diese Lcke zu schlieen, indem sie knstliche Intelligenz einsetzen, um frhe Warnsignale in den elektrischen Rhythmen des Gehirns zu erkennen.

Was die Studie zeigt

In einer Proof-of-Concept-Studie an Musen zeigte das Team, dass ihr Ansatz subtile Unterschiede im EEG erkennen kann, die mit einer genetischen Form, auch wenn keine sichtbaren Anflle auftraten.

Die Ergebnisse, die im Journal of Neural Engineering verffentlicht wurden, legen den Grundstein fr die nchste Forschungsphase, in der die Methode an EEG-Aufzeichnungen, die bei Nemours Children's Health auf Epilepsie untersucht werden.

Ein maschineller Lernalgorithmus kann ein Wrterbuch aus Basiswellenformen erstellen, um genetische Epilepsie-Marker in EEG-Aufzeichnungen przise zu erkennen, in denen keine aktiven Anfallereignisse vorliegen.

Was die Studie zeigt

Quelle: Neuroscience News – Ein Wörterbuch für Gehirnwellen Neurologen nutzen häufig EEGs zur Unterstützung der Epilepsiediagnose, doch Routineaufzeichnungen liefern lediglich einen etwa 20-minütigen Schnappschuss der Gehirnaktivität.

Wird in diesem Zeitfenster kein Anfall erfasst, müssen Kliniker nach deutlich subtileren Hinweisen suchen, die sich visuell schwer erkennen lassen. Genau hier setzt die Künstliche Intelligenz an.

Der Algorithmus der Forscher der University of Delaware funktioniert ähnlich wie ein Sprachlerner, der einer fremden Sprache begegnet: Er beginnt damit, Muster zu identifizieren, die in EEG-Aufzeichnungen häufig auftreten, und lernt deren Bedeutung im Kontext – er erstellt so effektiv ein Wörterbuch elektrischer Muster. „Unser maschinelles Lernverfahren ermöglicht es dem Algorithmus, die ‚Sprache' des Gehirns in Form subtile Muster zu erkennen, die bei einer manuellen Überprüfung vom Menschen übersehen werden könnten", sagte Austin Brockmeier, Assistenzprofessor für Elektrotechnik und Informatik sowie für Informatik und Informationssysteme.

Was die Studie zeigt

Als Brockmeier, ein Fakultätsbetreuer im interdisziplinären Neurowissenschaftlichen Graduiertenprogramm (ING) der UD, seine Forschung zur computergestützten Neurowissenschaft auf einem ING-Seminar präsentierte, fiel er auf die Aufmerksamkeit, einer assoziierten Professorin für Psychologie und Hirnwissenschaften sowie Biomedizinische Technik an der UD und leitender Wissenschaftlerin am Nemours Children's Health.

Hernan, die ebenfalls als Fakultätsbetreuerin im ING tätig ist, untersucht, wie Schwankungen der Gehirnaktivität das Denken und Lernen bei Kindern mit Epilepsie beeinflussen. Beide entschieden sich, maschinelles Lernen unter Verwendung Mäusen mit epilepsieauslösenden Variationen im TSC1-Gen zu testen.

Die Forscher setzten ein Panel 40 Mäusen ein, darunter Tiere mit und ohne die Genvariation, über drei verschiedene genetische Hintergründe oder Stämme. Für die Analyse extrahierten sie EEG-Abschnitte aus fünf Tagen Aufzeichnungen pro Maus.

Was die Studie zeigt

Da die EEG-Abschnitte keine epileptische Aktivität aufwiesen, musste der Algorithmus allein auf Unterschiede in der Basalaktivität des Gehirns zurückgreifen.

Es gelang, die Mausstämme zu unterscheiden und die TSC1-Gen-Variation bei zwei ämmen mit hoher Genauigkeit zu detektieren. „Diese Ergebnisse zeigen, dass EEG-Muster messbare Signale neurologischer Unterschiede enthalten, auch ohne sichtbare Anfälle", sagte Hernan. Nun wird das Team seine Methode aus dem Labor in die Klinik übertragen.

Mit Unterstützung des Delaware Clinical and Translational Research ACCEL-Programms werden Brockmeier und Hernan ihren Ansatz im nächsten Schritt auf EEG-Aufnahmen, die bei Nemours Children's Health auf Epilepsie untersucht werden.

Technik und Auswirkungen

Pädiatrische EEGs sind kürzer als die mehrwöchigen Aufzeichnungen, die in der Mausstudie verwendet wurden, und Kinder zeigen viele verschiedene Epilepsieformen. Doch die Forscher sind optimistisch. Das Ziel besteht darin, Biomarker zu identifizieren, die Vernderungen der elektrischen Aktivitt im Gehirn anzeigen, bevor ein Anfall eintritt", sagte Hernan.

Eine frhere Erkennung knnte zu einer frheren Behandlung und weniger Unsicherheit fr die Familien fhren. Diese Unsicherheit, so Hernan, nehme ein hohes Opfer in Anspruch. Anflle natrlichen Zyklen, doch ohne die Mglichkeit zu wissen, in welcher Phase des Zyklus man sich befindet, kann die Erwartungshaltung extrem angstauslsend sein", erluterte sie.

Eine verbesserte Mustererkennung knnte zudem die Therapieentscheidungen optimieren. Beispielsweise knnte die Wirksamkeit eines neuen Medikaments berschtzt werden, wenn es whrend einer natrlichen Phase mit geringer Anfallshufigkeit verabreicht wird.

Was die Studie zeigt

In weiter ausgedehnter Zukunft stellen sich die Forscher eine Zukunft vor, in der tragbare EEG-Gerte eine kontinuierliche, Echtzeit-berwachung fr Personen mit hohem Anfallsrisiko ermglichen. hnliche Anstze knnten zuknftig auch auf andere neurologische Erkrankungen angewendet werden, darunter Autismus und ADHS. Dies ist ein Schritt hin zur Przisionsmedizin", sagte Brockmeier. „Gehirnwellen-Typing könnte dabei helfen zu identifizieren, welche Interventionen für einen bestimmten Patienten am besten wirken." Für Familien, die sich der täglichen Unsicherheit bei Epilepsie stellen, könnte eine solche Präzision einen enormen Unterschied machen.

Wichtige Fragen beantwortet: A: Indem das Gehirn seine einzigartige „Sprache" aus Hintergrundrhythmen lernt.

Der Algorithmus der University of Delaware erstellt ein individuelles Wörterbuch häufig auftretender Wellenformen, wodurch er Mikro-Muster und genetische Anomalien erkennen kann, die in der gewöhnlichen Basalaktivität des Gehirns verborgen sind und für das menschliche Auge völlig unsichtbar bleiben.

Technik und Auswirkungen

A: Denn Kinder zeigen eine deutlich größere Vielfalt an Epilepsieformen, und klinische pädiatrische EEG-Aufzeichnungen bieten ein signifikant kürzeres Datenfenster als kontrollierte, mehr tägige Laboraufzeichnungen. Trotz dieser Faktoren sind die Forscher zuversichtlich, dass die KI frühe Biomarker zur Verfolgung erfolgreich isolieren kann.

A: Sie verhindert, dass sie eine natürliche Aktivitätspause fälschlicherweise als Anzeichen für einen erfolgreichen Behandlungserfolg interpretieren.

Da Epilepsieanflle natrliche, verborgene Zyklen durchlaufen, ermglicht ein objektives System zur Hirnwellenkartierung rzten, genau zu bestimmen, in welcher Phase des Zyklus sich ein Patient befindet, und stellt sicher, dass die tatschlichen Wirkungen eines Medikaments nicht berschtzt werden.

Technik und Auswirkungen

Redaktionelle Hinweise: Dieser Artikel wurde News bearbeitet; zustzliche Kontextinformationen wurden diesem Forschungsbericht ber Epilepsie und knstliche Intelligenz: Autor: Marina Jones; Quelle: University of Delaware; Kontakt: Marina Jones  University of Delaware; Bild: Das Bild wird Neuroscience News zur Verfgung gestellt; Originalforschung: Zugangsbeschrnkt. Interpretable EEG biomarkers for neurological disease models in mice using bag-of-waves classifiers", Montana Kay Lara, Khalil Abed Rabbo, Benjamin T.

Wilson, Austin Meek, J. Matthew Mahoney, Amanda E. Hernan und Austin J. Brockmeier.

Journal of Neural Engineering DOI:10.1088/1741-2552/ae4d8c Interpretierbare EEG-Biomarker für neurologische Krankheitsmodelle in Mäusen mittels Bag-of-Waves-Klassifikatoren Elektroenzephalogramme (EEG) sind Zeitreihenaufzeichnungen des elektrischen Potentials, das durch kollektive neuronale Aktivität im Gehirn entsteht.

Was die Studie zeigt

EEG-Wellenformmuster – rhythmische und unregelmäßige Oszillationen sowie transiente Muster scharfer Wellen oder Spikes – stellen potenzielle phänotypische Biomarker dar, die genotypspezifische neuronale Aktivität widerspiegeln.

Dies ist insbesondere für die Diagnose ällebeobachtungen relevant, was in klinischen Settings sowie in Tiermodellen häufig vorkommt, da letztere oft subtile neurologische Phänotypen aufweisen, ohne dass eine offensichtliche Epilepsie vorliegt.

In dieser Arbeit untersuchen wir die Vorhersage des Genotyps aus langfristigen EEG-Signalen frei sich bewegender Mäuse, die sechs Gruppen angehören, die durch das Vorhandensein oder Fehlen eines neurologischen Krankheitsgenotyps (Knockout des TSC1-Gens) in drei verschiedenen Inzuchtstämmen mit unterschiedlichem genetischen Hintergrund definiert sind.

Wir schlagen einen maschinellen Lernansatz vor,

Wir schlagen einen maschinellen Lernansatz vor, um die Genotypen einzelner Mäuse aus den Auftretenshäufigkeiten, die kurze EEG-Fenster approximieren.

Dabei wird ein Wellenform-Diktionär optimiert, um Fenster aus jedem Genotyp zu approximieren, und die Vektoren der Wellenform-Auftretenshäufigkeiten dienen als Merkmale für die Genotyp-Prognose mittels logistischer Regressionsmodelle.

Bei zweifacher Kreuzvalidierung des Wellenform-Diktions-Lernens und bei der „leave-one-individual-out"-Genotyp-Prognose zeigen wir, dass die über mehrere Stunden-Segmente gepoolten Wellenform-Zahlen eine zuverlässige Vorhersage der Maus-Stammes mit einer Genauigkeit von 70 % (95 % CI 62–78) ermöglichen, verglichen mit einer Zufallsrate von 38 %.

Für zwei der drei Stämme, DBA2

Für zwei der drei Stämme, DBA2 und C57B6, bestimmten stammsspezifische Klassifikatoren zuverlässig den Epilepsie-Genotyp (TSC1-Gen-Knockout) mit Genauigkeiten von 86 % (95 % CI 70–101) bzw. 67 % (95 % CI 55–79). Keine der Mäuse dieser Stämme zeigte Anzeichen offener Anfälle oder einer EEG-basierten Anfallserkennung.

Im Vergleich dazu ermöglicht ein state-of-the-art Zeitreihenklassifikationsansatz (Hydra) eine höhere Strain-Klassifizierung mit 98 %, eine vergleichbare Vorhersage des TSC1-Genotyps für die beiden Strains (86 % bzw. 71 %), jedoch ist die Methode nicht interpretierbar.

Die Methodiken und Ergebnisse zeigen das Potenzial änotypen und von „bag-of-waves" als Merkmalsrepräsentation zur Identifizierung.