Deep learning based diagnosis of alcohol use disorder (AUD) using EEG

Porucha způsobená užíváním alkoholu (AUD) se týká lidí, kteří mají potíže se zvládáním pití alkoholu. To má za následek značné potíže a ovlivňuje to i běžné fungování v každodenním životě. Problémem při screeningu pacientů s AUD pomocí subjektivních měřítek je závislost této metody na sebehodnocení, které je v případě alkoholiků nespolehlivé, protože mohou lhát nebo si správně nepamatovat fakta, protože přístup k užívání alkoholu může ovlivnit paměť. Řešením je využití neurozobrazovacích metod, jako je elektroencefalografie (EEG), která zkoumá mozkové vzorce a nezahrnuje sebehodnocení. Tato studie navrhuje metodu hlubokého učení (deep learning, DL) ke klasifikaci alkoholiků a zdravých kontrol. Navržená metoda hlubokého učení používá automatickou extrakci EEG příznaků a klasifikuje účastníky do příslušných skupin. Mezi účastníky bylo 30 pacientů s AUD (průměrný věk 56,70 15,33 let) a 15 zdravých kontrol (průměrný věk 42,67 15,90 let), kteří byli rekrutováni za účelem získání dat EEG. Data byla zaznamenávána během 10 minut v podmínkách zavřených očí (EC) a otevřených očí (EO). Navrhovaná analýza využívá 1D CNN k přizpůsobení a vyhodnocení klasifikačního modelu. Z dat EEG byly extrahovány rysy a klasifikovány pomocí konvoluční neuronové sítě (CNN). Výsledky ukazují, že CNN dosáhla výkonu vykreslujícího klasifikační přesnost (93 %), specifičnost (89 % ) a citlivost (89 % ) se skóre f1 0,94 pro skupinu AUD. Kromě toho bylo u skupiny zdravých kontrol dosaženo specifičnosti (100 %), citlivosti (100 %) a skóre f1 0,91. Závěrem lze říci, že výsledky implikují významné neurofyziologické rozdíly mezi alkoholiky a kontrolou.