併存睡眠障害の病期分類におけるAI一般化ギャップ

要旨

正確な睡眠段階判定は、脳卒中患者における閉塞性睡眠時無呼吸症（OSA）および低呼吸の診断に不可欠である。PSGは信頼性が高いが、費用がかさみ、労力を要し、手動でスコアリングされる。深層学習により健常者を対象としたEEGベースの自動睡眠段階判定が可能となったが、我々の分析によれば、睡眠が乱れた臨床集団への汎化性能は低い。Grad-CAMによる解釈を用いて、我々はこの限界を体系的に実証する。本研究では、新たに臨床注釈を付与した虚血性脳卒中データセットiSLEEPS（公開予定）を紹介し、単一チャネルEEG睡眠段階判定のためのSE-ResNetと双方向LSTMを組み合わせたモデルを評価する。予想通り、健常者と患者間のクロスドメイン性能は低かった。臨床専門家のフィードバックに裏打ちされたアテンションの可視化により、モデルが患者データにおいて生理学的に情報量の少ないEEG領域に注目していることが示された。統計的および計算論的分析はさらに、健常者コホートと虚血性脳卒中コホート間の睡眠構造に有意な差があることを確認し、臨床検証を経た被験者を考慮した、または疾患特異的なモデルの必要性を浮き彫りにした。論文の要約とコードはhttps://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/で入手可能である。

English

Accurate sleep staging is essential for diagnosing OSA and hypopnea in stroke patients. Although PSG is reliable, it is costly, labor-intensive, and manually scored. While deep learning enables automated EEG-based sleep staging in healthy subjects, our analysis shows poor generalization to clinical populations with disrupted sleep. Using Grad-CAM interpretations, we systematically demonstrate this limitation. We introduce iSLEEPS, a newly clinically annotated ischemic stroke dataset (to be publicly released), and evaluate a SE-ResNet plus bidirectional LSTM model for single-channel EEG sleep staging. As expected, cross-domain performance between healthy and diseased subjects is poor. Attention visualizations, supported by clinical expert feedback, show the model focuses on physiologically uninformative EEG regions in patient data. Statistical and computational analyses further confirm significant sleep architecture differences between healthy and ischemic stroke cohorts, highlighting the need for subject-aware or disease-specific models with clinical validation before deployment. A summary of the paper and the code is available at https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/

併存睡眠障害の病期分類におけるAI一般化ギャップ

AI Generalisation Gap In Comorbid Sleep Disorder Staging

要旨

Support