以专家水平检测脑电图低电压间期，作为新生儿脑病的稳健生物标志物

arXiv:2610.12680v1 公告类型：新论文 摘要：背景：新生儿脑电图的不连续性是脑功能障碍的重要标志，但难以通过目视进行量化。爆发间期（IBIs）是不连续性的关键特征，但其定义不易直接用于人工智能检测。目的：引入仅由振幅和持续时间定义的低电压间期（LVIs），作为不依赖上下文的 IBIs 替代指标，开发 LVIs 的人工智能检测方法，并评估其作为脑损伤标志物的临床效用。方法：我们开发了用于检测 LVIs 的 ConvNeXt 模型，并将其性能与现有方法进行比较。随后，我们在四种应用场景中检验了所检测 LVIs 的临床相关性：1）在开放基准数据集上对脑电图背景活动异常进行分级；2）对临床缺氧缺血性脑病（HIE）进行分级，并与正常脑电图数据集进行比较；3）预测癫痫发作；4）分析其与癫痫发作负荷的关联。结果：为开展训练和验证，我们审阅了来自 123 名新生儿、按单通道累计 654 小时的脑电图，并标注了 51,162 个 LVIs。在留出验证集上，ConvNeXt 的曲线下面积（AUC）为 0.996，Matthews 相关系数为 0.926。模型与阅图者之间的一致性高于阅图者之间的一致性（$\Delta \kappa = 0.025$，95% 置信区间：0.007 至 0.045，$p<0.001$），达到与专家水平相当的表现。在包含 444 名新生儿的合并数据集中，LVI 时间占比与脑电图分级呈强相关（Spearman $\rho=0.801$），与 HIE 分级呈中等相关（$\rho=0.384$），与癫痫发作负荷呈较弱相关（$\rho=0.244$），并具有较强的癫痫发作预测能力（AUC $=0.872$）。结论：人工智能对 LVIs 的检测达到与专家水平相当的表现，而定量特征未达到这一水平。自动化 LVI 量化为新生儿脑病提供了一种稳健的临床生物标志物，与脑电图背景活动、HIE 严重程度及癫痫发作风险相关。