缺乏训练的人工智能模型可以断定孩子的睡眠问题

缺乏儿科使用人工智能(AI)工具收集的数据可以妥协的理解早期睡眠模式。

“睡眠阶段主要是由分析睡眠时的脑电波,传统上是手动完成(或半自动),“说阿德莱德大学的副教授Mathias Baumert,电气和机械工程学院。

“大力推动自动化这个劳动密集型和昂贵的过程使用深度学习——人工智能方法,教计算机处理数据的方式是受人类的大脑。

“我们已经找到证据表明睡眠使用人工智能生成分类中的错误可能导致误诊的睡眠障碍,尤其是儿童。”

大脑的神经冲动导致电活动。脑电图(EEG)记录大脑电活动对一个人的头皮。收集一夜之间,它提供了深度学习系统的输入数据。

“深度学习系统需要大脑电图数据库学习的脑电波模式与不同的睡眠阶段给予可靠的结果,“Baumert副教授说。

”然而,大多数睡眠脑电图数据库只包含成人数据,因此,系统上开发这些数据库似乎有问题在处理孩子们的睡眠,因为他们从来没有“看到”和“学”。

“这意味着儿童睡眠障碍可以使用adult-biased误诊由于数据集。”

睡眠问题之间的关系,认知发展和心理健康一直是研究和认可。睡眠问题的早期识别,尤其是年轻人,对最大化适当治疗的有效性至关重要。

一般来说,包括快速眼动(REM)睡眠和睡眠non-rapid眼球运动(NREM)。非快速眼动是分为三个阶段(N1、N2, N3)。之前的引入人工智能睡眠模式分类方法,技术人员会在一夜之间检查脑电图,30秒一次,并分配一个睡眠阶段。

“睡眠是一个典型的周期性睡眠阶段的模式,弥补睡眠结构和hypnogram——图中可以看到代表的睡眠阶段随着时间的推移,“Baumert副教授说。

“临床医生考虑从hypnograms几个指标,如入眠时间、睡眠效率、睡眠阶段的时间,入睡后清醒时间,帮助他们诊断睡眠障碍。”

在成人脑电图,AI系统分配正确睡眠阶段十之八九倍——与人类专家。类似的性能可以达到儿童如果儿科的数据都包含在深层学习的过程。

阿兰·图灵Huy Phan博士研究所,英国是这项研究的共同作者说需要改进AI系统,以避免偏向人群和确保所有患者的准确诊断。

“即使与儿科训练数据,当前人工智能系统不会在所有的病人同样可以工作。虽然睡眠阶段分类精度足够的观察脑电图数据库时出现作为一个整体,个别病人的睡眠指标中的错误可以很大,这对任何诊断目的是不可接受的。”

“需要有效的策略来避免偏见的学习过程并识别异常行为的人工智能系统,降低误诊的风险。”

该研究发表在《华尔街日报》睡眠医学。

参考:Baumert M,哈特曼年代,表象h .自动睡眠分期为年轻人和老年人——评估深度学习年龄的偏见。睡眠医学。2023;107:18-25。doi:10.1016 / j.sleep.2023.04.002

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。