Nová systém umělé inteligence může vytvořit více nadějí pro lidi s epilepsií

Jak uvádí Endgadget, dva výzkumníci umělé inteligence možná vytvořili systém, který vytváří novou naději pro lidi trpící epilepsií – systém „který může předpovídat epileptické záchvaty s přesností 99,6 procent,” a to až hodinu předtím, než záchvaty nastanou.

To by nebyl první nový pokrok, protože dříve výzkumníci z Technické univerzity (TU) v Eindhovenu, Nizozemsku, vyvinuli chytrou náramkovku, která může předpovídat epileptické záchvaty během noci. Ale přesnost a krátká doba, po kterou nový systém umělé inteligence může pracovat, jako IEEE Spectrum poznamenává, dává více nadějí asi 50 milionům lidí na celém světě, kteří trpí epilepsií (na základě údajů z Světové zdravotnické organizace). Z tohoto počtu pacientů může 70 procent kontrolovat své záchvaty pomocí léků, pokud jsou podány včas.

Nový systém umělé inteligence byl vytvořen Hishamem Daoudem a Magdym Bayoumim z University of Louisiana at Lafayette a je chválen jako „velký skok vpřed od stávajících metod předpovědi.” Jak Hisham Daoud, jeden z dvou výzkumníků, kteří systém vyvinuli, vysvětluje, „Due to unexpected seizure times, epilepsy has a strong psychological and social effect on patients.”

Jak je vysvětleno, „každá osoba vykazuje jedinečné mozkové vzorce, které činí předpověď záchvatů obtížnou.” Dosud existující modely předpovídaly záchvaty „ve dvoustupňovém procesu, kde mozkové vzorce musí být ručně extrahovány a poté se aplikuje klasifikační systém,” což, jak Daoud vysvětluje, přidalo čas potřebný k předpovědi záchvatu.

Ve svém přístupu, vysvětleném v studii publikované 24. července v IEEE Transactions on Biomedical Circuits and Systems, „procesy extrakce funkcí a klasifikace jsou kombinovány do jednoho automatizovaného systému, který umožňuje dříve a přesnější předpověď záchvatů.”

Pro další zvýšení přesnosti svého systému Daoud a Bayoumi „začlenili další klasifikační přístup, při kterém hluboký algoritmus učení extrahuje a analyzuje prostorově-časové funkce mozkové aktivity pacienta z různých elektrodových umístění, což zvyšuje přesnost jejich modelu.” Protože „EEG záznamy mohou zahrnovat více ‘kanálů’ elektrické aktivity,” aby se urychlil proces předpovědi, dva výzkumníci „použili další algoritmus k identifikaci nejvhodnějších předpovědních kanálů elektrické aktivity.”

Celý systém byl poté testován na 22 pacientech v Boston Children’s Hospital. Ačkoli byla velikost vzorku malá, systém se ukázal jako velmi přesný (99,6%), a měl „nízkou tendenci k falešně pozitivním výsledkům, 0,004 falešných poplachů za hodinu.”

Jak Daoud vysvětluje, další krok by byl vývoj přizpůsobeného počítačového čipu pro zpracování algoritmů. „Pracujeme na návrhu efektivního hardwaru, který nasazuje tento algoritmus, přičemž zohledňujeme mnoho otázek, jako je velikost systému, spotřeba energie a latence, aby byl vhodný pro praktické použití v pohodlném způsobem pro pacienta.”