СПОСОБ ПРОГНОЗИРОВАНИЯ РЕЧЕВЫХ НАРУШЕНИЙ ПРИ ПРОВЕДЕНИИ НЕЙРОХИРУРГИЧЕСКИХ ВМЕШАТЕЛЬСТВ ПО ДАННЫМ ИНТРАОПЕРАЦИОННОЙ РЕГИСТРАЦИИ КОРТИКО-КОРТИКАЛЬНЫХ ВЫЗВАННЫХ ПОТЕНЦИАЛОВ Российский патент 2023 года по МПК A61B17/00 A61B5/383 A61B5/16 

Изобретение относится к области анализа биометрических данных в нейрохирургии, а именно к компьютерно-реализуемым способам прогнозирования речевых нарушений после нейрохирургических вмешательств по данным интраоперационного нейромониторинга.

Уровень техники

Существует способ прогнозирования нарушений функций головного мозга по данным электроэнцефалографии, заключающийся в том, что количественно оценивают состояние функций головного мозга, регистрируют электроэнцефалографические или электрокортикографические сигналы, по данным электроэнцефалографических или электрокортикографических сигналов формируют признаковое пространство для подачи на вход алгоритма анализа, идентифицируют или прогнозируют количественные изменения состояния функций головного мозга с помощью сформированного признакового пространства и алгоритма анализа [1].

Недостатки этого способа заключаются в ограничении признакового пространства электрофизиологическими данными, ограничении числа записей электрических потенциалов двумя сеансами, невозможность гибкого поиска неявных закономерностей в данных, важных для формирования прогноза.

Этот способ выбран в качестве прототипа предложенного решения.

Раскрытие изобретения

Технический результат предполагаемого изобретения заключается в повышении точности прогнозирования количественных изменений состояния речи за счет применения методов машинного обучения с учителем и расширения признакового пространства, на котором обучается модель.

Для достижения указанного технического результата разработан способ прогнозирования речевых нарушений после нейрохирургических вмешательств по данным кортико-кортикальных вызванных потенциалов, включающий предоперационную количественную оценку состояния речи, интраоперационную регистрацию кортико-кортикальных вызванных потенциалов, формирование по данным кортико-кортикальных вызванных потенциалов признакового пространства для подачи на вход прогностической математической модели, интраоперационный прогноз количественных изменений речи с помощью сформированного признакового пространства и прогностической математической модели, и отличающийся тем, что кортико-кортикальные вызванные потенциалы регистрируют интраоперационно по меньшей мере 1 раз, а для прогнозирования речевых нарушений используют компьютерно-реализуемые математические модели, полученные на основе машинного обучения.

Существует вариант, в котором в качестве основного признакового пространства используют нативные кортико-кортикальные вызванные потенциалы или другое представление данных, полученное на основе нативных кортико-кортикальных вызванных потенциалов.

Также существует вариант, в котором в признаковое пространство включают данные клинического, лабораторного и инструментального исследований пациента.

Также существует вариант, в котором для количественной предоперационной оценки состояния речи используют адаптированные шкалы количественной оценки речи.

Технический результат изобретения заключается в повышении точности, эффективности и воспроизводимости прогнозирования количественных изменений состояния речи.

Использование данных клинического, лабораторного и инструментального исследований пациента в дополнение к кортико-кортикальным вызванным потенциалам способствует расширению признакового пространства для обучения математических моделей, повышению его информативности и, следовательно, повышению точности прогнозирования речевых нарушений.

Применение преобразований кортико-кортикальных вызванных потенциалов перед этапом машинного обучения повышает качество предварительной подготовки данных, следовательно, способствует повышению точности прогнозирования речевых нарушений.

Минимизация количества записей кортико-кортикальных вызванных потенциалов, достаточного для построения предсказаний по описанному способу, приводит к уменьшению количества действий для построения прогноза, то есть к повышению эффективности прогнозирования речевых нарушений.

Применение компьютерных программ приводит к автоматизации реализации способа, что обеспечивает повышение его воспроизводимости.

Описание чертежей

На фиг. 1 приведены примеры усредненных и сглаженных сигналов - кортико-кортикальных вызванных потенциалов. Временная шкала отображена на оси абсцисс, показатели сигнала - на оси ординат. На каждом графике обозначены стартовый индекс сигнала, минимальное и максимальное значения. Первые 19 мс сигнала использовали для расчета скользящего среднего с окном в 20 мс, таким образом, первое значение сигнала вычисляли для 20-й мс. Затем индекс с первым значением сдвигался вправо для удаления артефакта, всегда - минимум на 1 мс.

На фиг. 2 представлена схема реализации предлагаемого способа. Этапы, соответствующие зависимым пунктам формулы, обозначены соответствующими этим пунктам цифрами.

Осуществление изобретения

Способ прогнозирования речевых нарушений после нейрохирургических вмешательств по данным кортико-кортикальных вызванных потенциалов включает следующие этапы.

Сначала до хирургического лечения количественно оценивают состояние речи, в частности, при помощи шкалы Л.С. Цветковой и соавт. или западной афазиологической шкалы [2, 3]. Количественные характеристики речевой дисфункции сохраняют в цифровом виде с помощью компьютерных программ, например, написанных на языке программирования Python, R, MatLab или других языках.

Далее интраоперационно по меньшей мере один раз регистрируют кортико-кортикальные вызванные потенциалы. Это реализуется при помощи доступного интраоперационного нейромонитора - например, «Нейро-ИОМ» (ООО «Нейрософт», Россия), и двух субдуральных электродов, один из которых накладывают на кору в области стимулируемой речевой зоны, а второй - в области регистрации кортико-кортикальных вызванных потенциалов на второй речевой зоне, связанной с первой зоной речевым трактом (пример - аркуатный пучок, соединяющий лобную речевую зону Брока и височную речевую зону Вернике). При этом аналоговые сигналы преобразуются в цифровые временные ряды с заданной частотой дискретизации.

Далее по данным кортико-кортикальных вызванных потенциалов формируют признаковое пространство для подачи на вход прогностической математической модели. Для этого записи данных каждого исследования кортико-кортикальных вызванных потенциалов в виде цифровых временных рядов с каждого канала сохраняют в отдельном файле, например, в формате European Data Format (EDF) или аналогичном. Оценивают качество сохраненных данных по полноте, наличию повреждений и артефактов, удаляют неполные или поврежденные данные. С помощью функций языков программирования Python, R, MatLab или аналогов минимизируют зашумленность данных по характеристикам временного ряда, например, усредняя данные на равных интервалах времени, сглаживая полученные значения с помощью скользящего среднего и выбирая каналы с наибольшей амплитудой колебания сигнала, а также удаляя артефакты, например, детектируя их с помощью сравнения с максимальной амплитудой колебаний значений по всему временному ряду, а также выполняя иные технические действия для улучшения соотношения «полезный сигнал - шум».

В результате получают предобработанный сигнал. Далее с помощью функций программного обеспечения Python, R, MatLab или аналогов рассчитывают базовые описательные признаки предобработаных сигналов, включая амплитуду, тип волны, пиковые значения, латентность до пикового (положительного или отрицательного) значения, среднее значение по каждому сигналу, индексы стационарности и другие характеристики, формируя для каждого исследования структурированный и стандартизированный набор данных, например, так, как это описано в нашей работе [4].

В соответствии с предполагаемой к использованию математической моделью предобработку набора данных и формирование признакового пространства завершают нормализацией или применением других методов трансформации (например, для сокращения размерности, масштабирования, изменения разброса количественных величин или других характеристик данных) с помощью языка программирования Python, R, MatLab или аналогов. Приводят данные к формату, требуемому для использования соответствующей математической модели, например, с помощью функций языка программирования Python, R, MatLab или аналогов.

Далее интраоперационно прогнозируют количественные изменения состояния речи с помощью сформированного признакового пространства и прогностической математической модели. Для этого выбирают математическую модель для решения задач прогноза, на вход математической модели подают предобработанный набор данных, вычисляют результат работы математической модели, соответствующий прогнозу количественных изменений состояния функций головного мозга, сравнивают результат работы математической модели с истинными значениями количественных изменений состояния функций головного мозга. Данные процедуры реализуют с помощью программного обеспечения на языке Python, R, MatLab или аналогичных языках программирования.

Далее для интраоперационного прогнозирования количественных изменений состояния функций речи используют прогностические математические модели, полученные на основе машинного обучения. Для этого выбирают тип прогностической математической модели, который можно получить с помощью технологий машинного обучения, например: линейную или логистическую регрессию, метод опорных векторов, наивный Байес, деревья решений, случайный лес, градиентный бустинг над деревьями решений, искусственные нейронные сети и другие. В качестве целевой переменной используют непрерывную или дискретную количественную величину, категориальную бинарную или мультиномиальную переменную, например, адаптированную шкалу оценки речевой функции в категориальном или количественном выражении.

В качестве признакового пространства для обучения и тестирования модели применяют сформированное вышеописанные признаковое пространство. Для обучения и тестирования математических моделей с помощью функций языков программирования Python, R, MatLab или аналогов разбивают выборку данных на обучающую и тестовую в заданных пропорциях (например, 80%/20%, 75%/25% или в другом соотношении). На примерах пар «признаковое пространство - количественное или категориальное нарушение речевой функции после операции» решают задачи подбора параметров выбранной математической модели с помощью алгоритмов, реализованных в функциях языков программирования Python (например, в библиотеке scikit-learn), R (например, в библиотеке tidymodels) или аналогов.

Далее получают прогностические значения обученной прогностической математической модели на тестовой выборке и сравнивают их с истинными значениями прогнозируемых количественных нарушений функции речи в послеоперационном периоде, рассчитывая метрики качества прогноза (например, точность, чувствительность, специфичность, F1-мера, площадь под ROC-кривой, средняя абсолютная ошибка прогноза и другие). Это выполняют с помощью функций языков программирования Python (например, в библиотеке scikit-learn), R (например, в библиотеке tidymodels) или аналогов. Математическую модель, продемонстрировавшую наилучшие значения метрик качества прогноза, далее используют для прогнозирования количественных изменений состояния функций речи на новых данных.

Существует вариант, в котором в качестве основного признакового пространства используют нативные кортико-кортикальные вызванные потенциалы или другое представление данных, полученное на основе нативных кортико-кортикальных вызванных потенциалов. Для этого в случае использования нативных кортико-кортикальных вызванных потенциалов эти потенциалы в виде временных рядов подают на вход моделей машинного обучения с использованием функций языков программирования Python, R или аналогов. В случае использования другого представления данных, полученного на основе нативных кортико-кортикальных вызванных потенциалов, нативные потенциалы первоначально приводят к новому представлению данных с помощью набора функций, программно реализованных в средах для программирования Python, R или аналогичных средах. Например, вариантом нового представления данных может служить набор параметров распределения значений кортико-кортикальных вызванных потенциалов во временном ряду, который далее подают на вход моделей машинного обучения с использованием функций языков программирования Python, R или аналогов.

Существует также вариант, в котором для прогнозирования речевых нарушений после нейрохирургических вмешательств в качестве основного признакового пространства используют данные кортико-кортикальных вызванных потенциалов, а в качестве дополнения в признаковое пространство включают данные клинического, лабораторного и инструментального исследований пациента. Для этого из электронных медицинских информационных систем с помощью структурированных запросов, реализованных в средах программирования, например, MySQL, Python, R, MatLab или аналогов, извлекают в структурированном виде данные клинических, лабораторных и инструментальных исследований.

Существует также вариант, в котором для количественной предоперационной оценки состояния речи используют шкалы количественной оценки речи, адаптированные (валидированные) для языка, которым пользуется пациент, например, шкалу количественной оценки речи Л.С. Цветковой и соавт. или западную афазиологическую шкалу [2, 3].

Пример реализации изобретения

Изложенный способ был применен для прогнозирования речевых дисфункций после хирургической резекции глиальных опухолей по данным интраоперационной регистрации кортико-кортикальных вызванных потенциалов.

Для реализации способа были получены данные для 26 пациентов с внутримозговыми опухолями, которые располагались в доминантном по речи полушарии - в непосредственной близости к речевым центрам Брока и/или Вернике.

Перед операцией все больные были обследованы на томографе Signa HDxt 3.0Т (GE Healthcare, США). Протокол МРТ-обследования включал МРТ в стандартных режимах (Т1-ВИ, Т1+С, 3D-T1-BH, T2-FLAIR, ДВИ), МРТ-трактографию и фМРТ.

До операции и через 7 дней после нее проводили неврологический осмотр и нейропсихологическое тестирование по методу Лурия. Оценивали состояние функции речи по шкале количественной оценки речи Цветкова и др.

Микрохирургическое удаление опухоли выполняли с использованием метода краниотомии в сознании по протоколу мониторируемой седации.

Интраоперационную регистрацию кортико-кортикальных вызванных потенциалов [4] выполняли при помощи 32-канальной системы интраоперационного мониторинга «Нейро-ИОМ» (ООО «Нейрософт», Россия) и пары субдуральных электродов-полосок. Один электрод устанавливали в лобную речевую область (зона Брока), второй - на поверхности верхней височной извилины в ее задних отделах и на супрамаргинальной извилине. Регистрацию ККВП до резекции опухоли проводили путем усреднения вызванных ответов (30-50 стимулов в каждой сессии) с эпохой анализа электрокортикограммы 300 мс, начиная с момента стимула. Для подтверждения воспроизводимости ответа регистрировали не менее двух усредненных кривых.

Электрокортикографию выполняли с частотой квантования 20 кГц. Пропускные фильтры были установлены в рамках 5-1000 Гц. Регистрацию проводили в монополярном режиме с контактов субдурального электрода, в качестве референта использовали спиральный подкожный электрод, установленный в области контралатерального сосцевидного отростка или в лобной области.

Электростимуляцию коры осуществляли в условиях биполярного монтажа с двух прилежащих контактов субдурального электрода. Режим стимуляции включал одиночные прямоугольные бифазные импульсы постоянного тока длительностью 300 мкс и частотой 1 Гц. Интенсивность стимуляции поднимали постепенно, начиная с 2 мА, до появления парафазических явлений или регистрации эпилептиформных паттернов на электрокортикограмме. Наиболее эффективным был диапазон интенсивности 3-4 мА.

Интраоперационно до основного этапа операции были получены кортико-кортикальные вызванные потенциалы у 26 пациентов. Зарегистрированные показатели кортико-кортикальных вызванных потенциалов сохраняли в специализированном программном обеспечении и экспортировали для каждого исследования в отдельном файле формата European Data Format (EDF), который включал в себя данные кривых электрокортикографии в 8 или 16 каналах. Количество исследований для каждого пациента варьировало от 2 до 16.

Все полученные данные были проанализированы независимо друг от друга двумя нейрофизиологами для оценки качества записей кривых электрокортикограмм и исключения неполных или поврежденных данных. Полученный после скрининга датасет с исследованиями 26 пациентов состоял из 105 файлов (1 файл на каждое исследование).

Далее проводили предобработку сигнала. Аналоговый сигнал преобразовывался в цифровой с частотой дискретизации 25 000 значений в секунду, каждый сигнал состоял из 7500 дискретных значений. Большая часть кривых являлась импульсным шумом с минимальной амплитудой колебания сигнала, поэтому выбирали канал с наибольшей амплитудой колебаний сигнала. Перед определением канала с наибольшей амплитудой сигнала данные усреднялись и сглаживались. Вектор из 7500 значений делили на 300 равных частей, по 25 чисел в каждой. Рассчитанные средние значения на основе каждых 25 чисел формировали новый вектор, состоявший из 300 элементов. В полученных по каждому пациенту векторы наблюдали резкие скачки значений на протяжении всего сигнала. Для сглаживания значений был применен метод скользящего среднего с окном n=20. Таким образом, первые 20 мс сигнала использовались для вычисления первого значения сглаженного сигнала. Это позволило существенно сократить число артефактов записей. Артефакты в векторах после сглаживания автоматически выявляли путем сравнения с амплитудой оставшейся части сигнала, умноженной на 1,25, и удаляли. В случае превышения этого значения стартовый индекс сдвигался максимум на 10 значений вправо. Кроме того, стартовый индекс сигнала всегда увеличивался на 1 мс, даже если артефакт не наблюдался, чтобы исключить побочное влияние первой миллисекунды сигнала. Новые усредненные и сглаженные векторы сравнивали между собой по амплитуде колебаний, затем выбирали сигнал с наибольшей амплитудой.

Отобранные сигналы имели различную длительность из-за сдвига стартового индекса. Были применены методы анализа временных рядов и расчеты показателей, не зависящих от длины сигнала.

Базовый набор описательных признаков сигналов, составляющих основное признаковое пространство, определяли после консультации с врачом-экспертом. Эти признаки, традиционно используемые врачами-нейрофизиологами для описания исследований кортико-кортикальных вызванных потенциалов, включали в себя амплитуду сигнала, тип волны, латентность до пикового (положительного или отрицательного) значения [4].

Для каждого отдельного исследования вычисляли максимальную амплитуду сигнала одного из 8 или 16 каналов, среднюю амплитуду по всем каналам, а также минимальную амплитуду сигнала одного из 8 или 16 каналов. Дальнейшие вычисления проводили для канала с наибольшей амплитудой. По всем значениям в сигнале вычисляли среднее и использовали как дополнительный признак. Определение пиковых значений (локальных экстремумов) проводили при помощи программного пакета SciPy для языка Python 3.8.5. Встроенная функция вычисляла локальные экстремумы с минимальной дистанцией между пиками 20 мс и минимальной высотой пика 5 мкВ, что позволило выделить экстремумы с большей точностью. Для анализа использовали до 2 значений максимумов и до 2 значений минимумов.

Отсутствующие значения экстремумов заполняли двумя способами: нулями или средними значениями отношений первого пика к средней амплитуде, умноженных на амплитуду, для первого пика, а для второго пика - средними значениями отношений второго пика к первому, умноженных на значение первого пика. Дополнительно по каждому избранному сигналу проводили расширенный тест Дики-Фуллера для определения стационарности временного ряда. Полученные в результате статистических тестов, а р-значения сравнивали с критическими уровнями значимости и использовали в качестве признаков при обучении моделей.

После вычисления всех признаков к данным применяли метод нормализации MinMaxScaler из библиотеки sklearn, который преобразовывал значения в новый диапазон от 0 до 1 для уменьшения размерности данных.

Для каждого пациента после хирургического вмешательства врач-эксперт давал характеристику речевых дисфункций и определял возникновение послеоперационной речевой дисфункции, для прогноза которой использовали модель машинного обучения.

Для подготовки моделей машинного обучения решали задачи бинарной классификации. На основе изменения совокупной оценки речевых функций пациента после хирургического вмешательства формировали целевую переменную, которая принимала значение от 0 до 45 (0 - норма). Бинарная целевая переменная принимала значение 1, если оценка речевых функций ухудшалась после операции, и значение 0, если оценка речевых функций улучшалась или оставалась равной оценке до хирургического вмешательства.

В качестве моделей машинного обучения применяли случайный лес деревьев решений (RF), логистическую регрессию (LR), метод опорных векторов (SVM) с различными вариантами ядер: линейным (Lin), радиальным (RBF) и полиномиальным (Poly). Каждый тест проводили после случайного разделения данных на обучающую (80%) и тестовую (20%) выборки со стратификацией. Модель обучали на выборке для обучения, для оценки модели перед проверкой на тестовой выборке применяли блочную кросс-валидацию.

Были протестированы 2 варианта представления входных данных: 1) разделение данных по пациентам с заполнением недостающих значений средними значениями; 2) разделение данных по пациентам с заполнением недостающих значений нулями.

Для всех вариантов входных данных проводили серии тестов с 5 моделями машинного обучения в каждой. 20 вариантов моделей были обучены по 300 раз в рамках всех серий тестов, что привело к итоговому количеству тестов, равному 6000. Для оценки результатов тестов использовали типовые метрики: точность на валидационных выборках в рамках кросс-валидации (СУ), специфичность и чувствительность (Spec и Sens соответственно), доля правильных ответов классификатора (Асе), точность и полнота (Prec и Rec соответственно), F-мера (F1-score) и площадь под ROC-кривой (Area Under Curve, AUC).

Результаты для каждой серии, состоящей из 300 тестов, усреднялись по всем метрикам для исключения влияния удачного и неудачного разделения данных.

Результаты тестов, проведенных для первых двух вариантов входных данных, представлены в Табл. 1.

Сравнение по F-мере показывает улучшение качества классификации для всех 5 моделей при заполнении недостающих значений нулями. Лучший результат по метрике F1-score составил 0,638 у модели SVM (Poly).

В большинстве тестов наблюдался высокий показатель чувствительности, а у лучшей модели SVM (Poly) он достиг 0,993.

Таким образом, модель делала корректные предсказания у 99,3% пациентов с ухудшением речевых функций после хирургического вмешательства. В то же время моделью были корректно определены лишь 37% пациентов с улучшением/сохранением речевых функций.

Несмотря на то, что определение пациентов с риском ухудшения речевых функций является первоочередной задачей, отнесение части пациентов с улучшением речевых функций в зону риска снизило общую точность работы алгоритма.

Список использованной литературы

1. Schalk G., Leuthardt Е.С., Wolpaw J.R., Brunner P. Method for Analyzing Function of the Brain and Other Complex Systems. U.S. Patent No. 8,532,756 (published Sep.10, 2013).

2. Оценка функции экспрессивной речи (шкала количественной оценки речи, адаптированная по работе Цветкова Л.С., Ахутина Т.В., Пылаева Н.М. "Методика оценки речи при афазии", М.: МГУ, 1981. 67 стр.).

3. Shewan & Kertesz (1980) Reliability and Validity Characteristics of the Western Aphasia Battery. Journal of Speech and Hearing Disorders. 45, 309-324.

4. Ishankulov T, Danilov G, Pitskhelauri D, Titov O, Ogurtsova A, Buklina S, Gulaev E, Konakova T, Bykanov A. Prediction of Postoperative Speech Dysfunction Based on Cortico-Cortical Evoked Potentials and Machine Learning. Stud Health Technol Inform. 2022 Jan 14;289:33-36.

Изобретение относится к медицине, а именно к нейрохирургии, и может быть использовано для прогнозирования речевых нарушений после нейрохирургических вмешательств. До хирургического лечения количественно оценивают состояние речи. Кортико-кортикальные вызванные потенциалы регистрируют интраоперационно по меньшей мере один раз. Полученные кортико-кортикальные вызванные потенциалы подвергают предобработке. Выбирают сигналы с наибольшей амплитудой колебания сигнала и используют их для формирования признакового пространства для подачи на вход прогностической математической модели. При получении на выходе значения 1 прогнозируют ухудшение речевых функций после операции. При значении 0 – прогнозируют улучшение речевых функций или равных оценке до хирургического вмешательства. Способ позволяет повысить эффективность прогнозирования послеоперационного речевого дефицита, улучшить функциональные исходы нейрохирургических операций. 3 з.п. ф-лы, 2 ил., 1 табл., 1 пр.

1. Способ прогнозирования речевых нарушений при проведении нейрохирургических вмешательств по данным интраоперационной регистрации кортико-кортикальных вызванных потенциалов, заключающийся в том, что до хирургического лечения количественно оценивают состояние речи, кортико-кортикальные вызванные потенциалы регистрируют интраоперационно по меньшей мере один раз, отличающийся тем, что полученные кортико-кортикальные вызванные потенциалы подвергают предобработке, а именно удаляют артефакты и определяют количественные характеристики сигнала: амплитуда, тип волны, пиковые значения, латентность до пикового значения с положительным или отрицательным значением, определяют среднее значение по каждому сигналу, далее выбирают сигналы с наибольшей амплитудой колебания сигнала и используют их для формирования признакового пространства для подачи на вход прогностической математической модели, при получении на выходе значения 1 прогнозируют ухудшение речевых функций после операции, при значении 0 – прогнозируют улучшение речевых функций или равных оценке до хирургического вмешательства.

2. Способ по п. 1, в котором в качестве основного признакового пространства используют нативные кортико-кортикальные вызванные потенциалы.

3. Способ по п. 1, в котором в признаковое пространство включают данные клинического, лабораторного и инструментального исследований пациента.

4. Способ по п. 1, в котором для количественной предоперационной оценки состояния речи используют шкалы количественной оценки речи.