心停止後の生存予測におけるEEGベースのデータリーク防止：二段階埋め込みとTransformerフレームワーク

Abstract

深層学習モデルは心停止後の昏睡患者に対するEEGベースの転帰予測において有望な結果を示してきましたが、その信頼性は微妙なデータリークの形によってしばしば損なわれます。とりわけ、長時間のEEG記録を短いウィンドウに分割し、それを複数の学習段階にまたがって再利用する場合、モデルが暗黙にラベル情報を符号化して伝播させてしまい、その結果、検証性能が過度に楽観的に見え、汎化性能が不十分になります。 本研究では、マルチステージのEEGモデリング・パイプラインにおいてこれまで見過ごされてきたデータリークの一種を特定します。厳密な患者レベルの分離を破ると、検証指標が大きく膨らむ一方で、独立したテストデータでは実質的な性能低下が生じることを示します。 この問題に対処するため、リークに配慮した二段階フレームワークを提案します。第1段階では、短いEEGセグメントを、ArcFace目的を用いた畳み込みニューラルネットワークによって埋め込み表現に変換します。第2段階では、Transformerベースのモデルがこれらの埋め込みを集約して患者レベルの予測を生成し、リーク経路を排除するために学習コホート間で厳密な隔離を行います。 心停止後の患者を対象とする大規模EEGデータセットでの実験により、提案フレームワークは臨床的に妥当な制約の下で、安定して一般化可能な性能を達成することが示されました。特に、厳しい特異度閾値において高い感度を維持する点で顕著です。これらの結果は、厳密なデータ分割の重要性を浮き彫りにするとともに、EEGベースの転帰予測における信頼性のための実用的な解決策を提供します。