一种基于脑电图的混合机器学习方法，用于轻度创伤性脑损伤的CT扫描分类

《Scientific Reports》：An EEG-based hybrid machine learning approach for CT scan triage in mild traumatic brain injury

　　

摘要

尽管大多数轻度创伤性脑损伤患者的CT检查结果为阴性，但这类患者仍经常需要在急诊科进行CT扫描。因此，亟需能够在实际临床条件下辅助做出CT检查分诊决策的客观、无创工具。本研究探讨了基于脑电图的生物标志物结合时间建模是否能够为轻度创伤性脑损伤的评估提供可靠的决策支持。研究从120名被分为CT异常组、CT正常组或健康对照组的患者身上，使用临床上可行的19通道脑电图装置采集静息状态脑电图数据。所有数据均经过统一自动化预处理，无需手动剔除异常信号。这些定量脑电图生物标志物经过统计验证后，被用于训练随机森林分类器，同时长短期记忆网络则用于模拟脑电图的时间动态特征。基于生物标志物的模型在测试中的准确率为81.25%。通过整合随机森林和长短期记忆网络的输出，构建的混合模型提升了性能，准确率达到了93.33%，并且提高了对CT正常组的检测灵敏度。在独立的测试集上，该模型的泛化能力也得到了验证。这些研究结果表明，混合脑电图分析方法可以作为现有临床评估的补充，帮助制定轻度创伤性脑损伤的CT检查分诊决策。