Epilepszia korai diagnózisa AI segítségével

Az epilepszia diagnosztizálása sok esetben nehéz feladat, mivel a rohamok gyakran nem jelentkeznek a rutinszerűen végzett EEG‑vizsgálatok alatt. Ilyenkor az orvosok nem rendelkeznek azokkal a közvetlen megfigyelésekkel, amelyek egyértelmű diagnózist tennének lehetővé. A Delaware Egyetem kutatói és együttműködő partnereik erre a problémára keresték a megoldást: mesterséges intelligencia segítségével próbálják felismerni azokat a korai, rejtett jeleket, amelyek az agy elektromos aktivitásában már a rohamok előtt megjelennek.

Egy egérmodelleken végzett vizsgálatban a kutatócsoport kimutatta, hogy módszerük képes azonosítani azokat az EEG-mintázatokat, amelyek az epilepszia egy genetikai eredetű formájához köthetők, még akkor is, ha a felvételeken nem láthatók roham jelei. Az eredményeket a Journal of Neural Engineering közölte. A mostani eredmények megalapozták a kutatás következő szakaszát, amelyben a módszert epilepszia miatt kivizsgálás alatt álló gyermekek EEG-felvételein tesztelik a Nemours Children’s Health intézményben.

A neurológusok rutinszerűen alkalmazzák az EEG-t az epilepszia diagnosztikájában, ám a vizsgálat általában mindössze húsz percnyi agyi aktivitást rögzít. Ha ebben az időszakban nem jelentkezik roham, a szakembereknek rendkívül finom eltérésekből kell következtetniük, amelyek vizuálisan gyakran alig észlelhetők. Ebben nyújt segítséget a mesterséges intelligencia. A Delaware Egyetem kutatóinak algoritmusa úgy működik, mint egy új nyelvet tanuló ember: felismeri a gyakran előforduló mintázatokat, megtanulja azok jelentését és összefüggéseit, és így egyfajta „elektromos szótárat” épít az agyhullámokból. A gépi tanulásos (machine learning) megközelítés lehetővé teszi, hogy az algoritmus olyan finom eltéréseket is észrevegyen, amelyeket manuális elemzéssel könnyű lenne figyelmen kívül hagyni.

A kutatók elsőként epilepsziára hajlamosító TSC1 génvariánst hordozó egerek EEG-felvételein tesztelték a módszert. Több mint negyven állat adatait elemezték, három különböző genetikai háttérrel, és minden egértől öt napnyi EEG-szakaszt gyűjtöttek. Mivel ezekben a felvételekben nem szerepeltek rohamok, az algoritmusnak kizárólag a nyugalmi agyi aktivitás alapján kellett különbséget tennie. A modell képes volt megkülönböztetni a különböző egértörzseket, és két genetikai háttér esetében nagy pontossággal felismerte a TSC1 variánst is. Ez azt mutatja, hogy az EEG-mintázatok a rohamok hiányában is hordoznak mérhető neurológiai eltéréseket.

A kutatócsoport most a klinikai alkalmazás felé lép tovább. A módszert olyan gyermekek EEG‑felvételein fogják tesztelni, akiknél epilepszia gyanúja merül fel. A gyermekek EEG-vizsgálatai rövidebbek, és az epilepszia formái is sokkal változatosabbak, de a kutatók bizakodók. Céljuk olyan biomarkerek azonosítása, amelyek már a rohamok előtt jelzik az agyi elektromos aktivitás megváltozását, és így korábbi diagnózist és kezelést tehetnek lehetővé. Ez különösen fontos, mert a bizonytalanság jelentős terhet ró a családokra: a rohamok természetes ciklusokban jelentkeznek, és ha nem tudható, hogy a beteg éppen hol tart ebben a ciklusban, az állandó készenlét komoly szorongást okozhat.

A pontosabb mintázatfelismerés a kezelés megítélését is javíthatja. Ha például egy új gyógyszert éppen egy természetes rohammentes időszakban vezetnek be, annak hatását könnyen túl lehet értékelni. A kutatók hosszabb távon olyan hordozható EEG-eszközökben gondolkodnak, amelyek folyamatos, valós idejű monitorozást biztosítanának a rohamok kockázatának kitett betegek számára. Hasonló módszerek később más neurológiai állapotok, például az autizmus vagy az ADHD vizsgálatában is alkalmazhatók lehetnek.

Írásunk az alábbi közlemények alapján készült:

AI decodes epilepsy signals in brain waves before seizures appear

Interpretable EEG biomarkers for neurological disease models in mice using bag-of-waves classifiers

Irodalmi hivatkozás:

Maria Isabel Cano Achuri et al, Interpretable EEG biomarkers for neurological disease models in mice using bag-of-waves classifiers, Journal of Neural Engineering (2026). DOI: 10.1088/1741-2552/ae4d8c