黄铠教授团队在Nature旗下期刊Scientific Reports发表论文，用人工智能助力脑神经疾病检测

近日，我院黄铠教授团队在自然旗下期刊 Scientific Reports 发表题为“Graph-generative neural network for EEG-based epileptic seizure detection via discovery of dynamic brain functional connectivity”的文章。该工作由来自AIRS、香港中文大学（深圳）、纽约州立大学、天普大学与中科云计算研究院的五位作者合作完成，通过人工智能模型，为脑神经疾病的分析与检测作出了重要贡献。

文章提出一种新的图生成神经网络（GGN）模型，用于刻画动态脑功能连接强度与变化，并用于脑电图（EEG）的多种癫痫发作类型的检测。GGN针对头皮EEG在分析动态脑功能连接的时空分辨率较低这一问题提出了新的解决方案，在7种癫痫发病类型检测任务中取得了超过90%的准确率。除了癫痫以外，该工作还可以为神经科学家提供其他神经系统疾病的分析与监测，如阿尔茨海默病和精神分裂症等脑神经疾病。

论文链接：

Li Z, Hwang K, Li K, Wu J, and Ji T. “Graph-generative neural network for EEG-based epileptic seizure detection via discovery of dynamic brain functional connectivity”. Springer Nature - Scientific Reports. Nov 8, 2022.

https://www.nature.com/articles/s41598-022-23656-1

01

期刊介绍

Scientific Reports是自然旗下一本开放获取的JCI Q1期刊。期刊发表来自自然科学、心理学、医学和工程学各个领域的原创研究，Scientific Reports是全球第五大被引用期刊，2021年被引用超过696,000次，在政策文件和媒体中受到广泛关注。该杂志每月约有240万至270万名读者。该期刊在Web of Science、PubMed、PubMedCentral、Scopus、Dimensions、Google Scholar，DOAJ和SAO/NASA ADS中均有索引。

02

研究背景

神经系统疾病是全球报告的导致残疾的主要原因之一，是一个严重的医疗问题，迫切需要有效的解决方案和治疗计划。全球有5000万人存在周期性癫痫发作，8000万人面临阿尔茨海默氏病（AD）引起的痴呆问题，超过2500万人患有精神分裂症。这些疾病影响了患者的生活与工作，造成情绪抑郁、身体残疾，甚至引发死亡。这些神经系统疾病与大脑复杂的功能连接有关，可通过头皮脑EEG信号进行检测和分析。表1展示了2022年全球主要脑神经障碍疾病的情况。全世界有1.65亿人正遭受着脑神经障碍疾病的困扰，约占全球总人口的2.1%。

表1. 全球主要脑神经障碍疾病一览

该工作主要聚焦于基于头皮EEG的癫痫疾病诊断。传统的信号处理方法和经典的神经网络模型，如RNN、CNN、GNN和transformer等，通过将EEG信号作为时间序列数据或多通道图像，证明了其在癫痫发作检测和分类中的巨大潜力。然而，这些模型不足以提取EEG信号的动态空间信息，而动态空间信息对于表征隐藏在脑叶不同区域的大脑功能连接问题的瞬态特性至关重要。

为了解决以上问题，作者提出了一种基于概率的图生成方法，利用对分类任务的监督过程来学习不同时刻脑功能连接的强度，并利用注意力机制来提高脑功能图生成的准确性。模型通过深入分析从患者头皮不同区域记录的EEG信号动态捕获，生成大脑功能连接图，用于提取多种癫痫发作模式的时空信息。

03

研究内容

研究团队在3047例癫痫发作病例的真实临床数据中进行了实验（如图1所示）。利用EEG信号的时空信息，该框架主要有两个目标: 1.对癫痫发病的7种类型进行检测分类；2.刻画动态脑功能连接图的强度和变化。

 图1.基于头皮EEG的癫痫预测框架。提取时空信息进行癫痫发病类型预测和动态脑功能连接图生成。7种发病类型包括：FN，GN，SP，CP，AB，TN，TC。GGN能够预测小时间窗口下的动态脑功能连接图

图2展示了GGN模型在第一个目标（7种癫痫分类）上和其它主流模型（SVM，CNN，GNN，Tranformer）的性能对比。可以明显看出，GGN达到了91%的准确率，远高于CNN（65%）、GNN（74%）和Transformer模型（82%）的准确率。在图2左边可以看出，GGN在7种癫痫分类预测上的ROC-AUC曲线，都超过95%的准确率，其中，AB与TN达到了100%的效果。

图 2. 五种机器学习与深度学习模型的性能对比：SVM （Support Vector Machine）， CCN（Convolutional Neural Network）, Transformer，与 GGN（Graph-Generative Neural Network）

除了检测或分类任务，大脑功能连接多年来一直是非常热门的研究课题。在非常小的时间窗口内揭示准确的脑功能连接图对于模拟与神经系统疾病相关的大脑活动至关重要。尽管fMRI可以检测到连接的变化，但仅通过低成本无创的头皮脑电图来探究癫痫患者大脑活动的本质机制仍然是一个悬而未决的问题。

GGN 通过捕获空间和时间特征，获取高分辨率动态功能连接图。如图3所示，作者对比了利用MIC得到的20个通道EEG信号的关联图（左边方形）和基于概率生成的脑功能图（右边圆形），验证了基于概率的生成图的合理性。不同颜色和连接边缘宽度代表了四个脑叶之间正常和异常功能连接的强度。图3第一行中，即FN患者发作期间，显现出了局部强关联性，这与临床上的诊断结果一致。图3第二行展示了GN患者在发病期间的大面积脑电信号的异常，全局都有较强的关联性，也吻合临床和其它研究的结果。

图3.癫痫FN患者和GN患者发病信号不同的Association Maps和GGN生成的动态脑功能连接图对比

GGN可以检测癫痫发作不同阶段功能连接的转变。作者将这种动态连通性称为时空连通性。与Pearson correlation或MIC等关联图只能在固定的大时间窗口内检测线性相关关系相比，GGN通过使用小时间窗口可以更准确地检测。图4展示了GGN检测到的一名FN患者病情发作时的动态脑功能连接图，其中发作开始于31秒，结束于128秒。图4b显示了在四个主瓣中着色的20个电极的Gamma波段中的频率动态。在发作期间，生成的脑功能连接图反映了局部链接强度的变化。

图4.FN癫痫患者EEG信号在4个小时间窗口（5秒）上生成的动态脑功能连接图。患者在第1窗口正常，第2窗口癫痫开始，第3窗口病情进入高峰，第4窗口病情恢复平静。 

04

研究结论

该研究结果为脑科专家提供了一个机器学习框架，以自动化地精确识别癫痫发作的多种类型。这种基于人工智能的方法可以增强神经学临床诊断，提高准确性。由于较快的推理速度，训练后的模型还可以嵌入到AI芯片中，以提供临床的实时辅助诊断。其次，作者提出的图生成神经网络方法为揭示大脑功能连接异常提供了一种新工具。同时，提出的图生成方法可以增强其他神经网络，如CNN，GNN和Transformer等的时空特征提取能力。

最后，该工作可以被神经科学家应用于研究其他神经系统疾病中大脑功能连接的分析，如阿尔茨海默病和精神分裂症等。无侵入式的头皮EEG的低分辨率会阻碍对这些疾病中脑功能连接的准确分析，而使用论文中所提出的图生成方法则有助于准确发现具有小观察窗口的功能连通性，为脑科学家提供了一种全新的分析工具，以降低使用颅内电极EEG的昂贵费用以及侵入式的损害风险。

05

作者简介

本文第一作者：李政道

李政道是香港中文大学（深圳）理工学院博士生，师从黄铠教授。他在北京邮电大学信息与通信工程学院取得电子与通信工程学士和硕士学位，之后在北京百度公司从事大数据和云计算工作，任高级工程师，曾获得百度云计算之星奖、重大突破奖。他的主要研究方向为图机器学习，分布式云计算和大数据应用系统。博士论文专注于图机器学习及其在交通、医疗等方向的应用。

本文通讯作者：黄铠教授

黄铠教授，伯克利加州大学计算机科学博士。黄铠教授在美国南加大与普渡大学任教多年，2018年加入香港中文大学（深圳）担任校长讲座教授，兼任深圳市人工智能与机器人研究院高性能智能计算中心主任。他在计算机结构、并行处理、云计算与物联网方面著作等身，桃李满天下。被评选入全球2%顶级科学家。他发表了10部专著，以及300多篇学术论文，被Google Scholar引用超过23300次。2005年获中国计算机学会CCF首届海外杰出贡献奖，2012年获世界云计算大会（CloudCom）终身成就奖。2019年获全球华人影响力盛典颁发的建国70年科技创新成就奖，2020年团队获得吴文俊人工智能自然科学奖。

其他作者：李克勤教授（纽约州立大学）

李克勤教授是纽约州立大学（SUNY）讲席教授、欧洲科学院院士、IEEE Fellow、AAIA Fellow。李教授于1985年获得清华大学计算机科学学士学位，1990年于休斯敦大学获得计算机科学博士学位。2010年获得SUNY杰出教授奖章。李克勤教授在多个期刊和会议获得最佳论文奖，包括PDPTA 1996、NAECON 1997、IPDPS 2000、ISPA 2016、NPC 2019、ISPA 2019、CPSCom 2022。他被斯坦福大学列为世界前2%科学家。

其他作者：吴杰教授（天普大学）

吴杰教授目前在天普大学（Temple University）计算机与信息科学系任 Laura H. Carnell讲席教授。他是AAAS Fellow、 IEEE Fellow。吴杰教授曾于2011年获得CCF海外杰出贡献奖，也曾获得多个最佳论文奖，包括MASS2016、IWQoS 2016等。他曾主持IEEE Technical Committee on Distributed Processing与许多国际会议，包括IEEE IPDPS’08、IEEE DCOSS’09、IEEE ICDCS’13、ACM MobiHoc’14、ICPP’16、IEEE CNS’16、WiOpt’21、ICDCN’22。

其他作者：季统凯教授（香港中文大学（深圳））

季统凯，香港中文大学（深圳）兼职教授，中科云计算中心主任，广东电子工业研究院院长、国云科技股份有限公司董事长。他曾获得2010年度中国产学研合作创新奖、中国科学院院地合作奖先进个人一等奖。2011年中国科学院授权他在松山湖国家高新区组建全院唯一的云计算中心。他领导团队自主开发云操作系统（G-CLOUD）。季教授在国内外重要会议及期刊上发表论文40多篇，带领团队申请发明专利500多项，申请国际发明专利（PCT）近20项。他参与黄铠教授的研究团队，于2020年获得吴文俊人工智能自然科学奖。

* 相关论文信息由论文作者提供

相关阅读：

AIRS 高性能智能计算中心研究进展

AIRS in the AIR | 未来智能医疗展望：模型、系统与生态

致敬传奇：中国并行处理四十年，他们从无人区探索走到计算的黄金时代