Wie lange müssen die Patienten das Gerät tragen, um die Daten zu sammeln?
Amba: Das hängt vom Anwendungsfall ab. Die Patienten könnten es für einen kurzen Zeitraum tragen. Wenn das Ziel darin besteht, Gehirndaten für Epilepsie zu sammeln, kann der Patient es beispielsweise für zehn bis fünfzehn Minuten pro Tag vor oder nach einer anfallsartigen Episode tragen. Bei anderen Anwendungsfällen wie psychischer Gesundheit oder Depressionen müssen Ärzte oder Psychologen grundsätzlich die Tragedauer des Geräts verschreiben, was davon abhängt, wie lange sie beabsichtigen, die Daten zu sammeln.
Das Ziel von Evercot AI ist es, ein tragbares Gerät für medizinische Anwendungen bereitzustellen, das Menschen mit sich führen können, um die Aktivität des Gehirns jederzeit oder an jedem Ort erfassen und überwachen zu können. Diese Daten können automatisch und drahtlos in das medizinische Zentrum des Arztes oder in die Cloud gesendet werden. Wenn die Daten aus persönlichen Gründen erfasst werden, könnte das Gerät für den Zweck verwendet werden, den der Patient mit den Daten erfüllen möchte.
Planen Sie eine Weiterentwicklung Ihrer Produkte?
Amba: Ja, es gibt zwei Punkte, an denen wir ständig arbeiten. Erstens wird erwartet, dass das NioWear EEG-Headset – im Gegensatz zu einem Krankenhaus, in dem EEG-Daten gesammelt werden, während die Patienten sitzen – medizinische EEG-Daten erfasst, während die Patienten ihre täglichen Aktivitäten durchführen. Solche Aktivitäten beinhalten normalerweise Bewegung, was zu mehr Rauschen und Bewegungsartefakten während der mobilen EEG-Datenerfassung führen würde. Auf dieser Grundlage erweitern wir kontinuierlich unsere Möglichkeiten der Signalnachbearbeitung, um unerwünschte Bewegungen und Umweltartefakte zu entfernen – und um sicherzustellen, dass akkurate, mobil aufgezeichnete EEG-Daten für die medizinische Nutzung erfasst werden.
Zweitens entwickeln wir ständig neuartige Algorithmen für das prädiktive maschinelle Lernen, mit denen Gehirnkrankheiten anhand von EEG-Daten diagnostiziert, vorhergesagt oder behandelt werden können. Unsere Gehirn-prädiktiven algorithmischen Lösungen werden entweder in einer Companion-App bereitgestellt und geliefert oder könnten auch über die Greey Matter Plattform aufgerufen werden, auf die ich bereits hingewiesen habe. Kürzlich haben wir einen Algorithmus aus dem Bereich des maschinellen Lernens für den Anwendungsfall Epilepsie entwickelt. Das nächste Projekt, an dem wir gerade arbeiten, ist die Entwicklung von Algorithmen für beispielsweise Depressionen, psychische Gesundheit und die Parkinson-Krankheit.
Wie genau funktioniert Ihre KI, wenn es darum geht, Hirnerkrankungen zu erkennen?
Amba: Es gibt zwei Arten von Gehirndaten. Daten des EEG-Sensors und Daten von medizinischen Bildern des Gehirns (z.B. MRT-, CT- und Röntgenscans). Die Art und Weise wie unsere KI an der Erkennung von Hirnerkrankungen arbeitet, lässt sich besser damit erklären, wie der Algorithmus mit Gehirndaten umgeht. Der Ansatz, den wir bei der Erstellung einer prädiktiven KI-Lösung für Gehirnerkrankungen verwenden, unterscheidet sich geringfügig, wenn es sich um Daten des EEG-Sensors oder Daten von medizinischen Bildern des Gehirns handelt.
Generell werden die Gehirndaten auf einer höheren Ebene zuerst aufbereitet. Bei der EEG-Vorverarbeitung werden Rauschen und Bewegungsartefakten entfernt. Während der Vorverarbeitung der medizinischen Bilddaten werden Verfahren wie das sogenannte Skull Stripping eingesetzt, um Hirngewebe vom Schädel zu trennen und zu extrahieren. Daraufhin folgt die Registrierung, um sicherzustellen, dass alle Volumen in der gleichen Ausrichtung ausgerichtet sind. Die medizinischen Bilder werden dann erneut abgetastet und eine Intensitätsnormalisierung der Bilder durchgeführt.
Sobald die Gehirndaten vorverarbeitet wurden, werden wichtige Merkmale oder Signaturen aus den Daten extrahiert. Bei medizinischen Bildern verwenden wir Deep Learning (tiefes Lernen) und Reinforcement Learning (bestärkendes Lernen), um Vorhersagemodelle für eine bestimmte Gehirnerkrankung zu erstellen. Auf der anderen Seite verwenden wir bei Daten des EEG-Sensors Zeitreihen-Daten-Mining-Methoden und eine breitere Gruppe von überwachten, unbeaufsichtigten und maschinellen Lernverfahren zur Erkennung von Ausreißern, um die Vorhersagemodelle des Gehirns zu erstellen. Wir unterteilen die historischen Gehirndaten in Trainings- und Testdatensätze. Das Vorhersagemodell für Gehirnerkrankungen wird mit Trainingssätzen trainiert und die Leistung des Modells wird am Testdatensatz getestet.
Sobald sich das Modell im Produktionssystem befindet und neue, dem Modell noch nicht bekannte Patientendaten hochgeladen werden, um Diagnosen durchzuführen, würde das Modell ein Vorhersageergebnis liefern, bei dem es sich normalerweise um diagnostische Wahrscheinlichkeiten handelt, ob ein Patient eine bestimmte Gehirnerkrankung hat.
Heute werden die meisten medizinischen EEG-Daten in Krankenhäusern gesammelt. Der tragbare NioWear Gehirn-Scanner bietet die Möglichkeit, EEG-Daten aus der Ferne zu erfassen und so die Telemedizin bei Gehirnerkrankungen zu beschleunigen. Wir glauben, dass dies die Zukunft der Gehirn- und Allgemeindiagnostik im Gesundheitswesen sein wird. Letztes Jahr haben wir begonnen, mobil aufgezeichnete EEG-Daten für die medizinische Nutzung mit unserem Gerät außerhalb des Krankenhauses zu sammeln. Je mehr historische mobil aufgezeichnete EEG-Daten wir erfassen, desto besser ist die Leistung der prädiktiven KI für eine bestimmte Gehirnerkrankung. Eine verbesserte Leistung des KI-Algorithmus für Gehirnkrankheiten ist für Patienten von Vorteil und verringert zudem die Belastung von Ärzten durch manuelle Aufgaben und Tätigkeiten. Evercot AI ist an Partnerschaften zum Datenaustausch mit Ärzten, medizinischen Zentren und medizinischen Forschungsinstituten interessiert, die KI und Big Data nutzen möchten, um die Früherkennung von Krankheiten zu verbessern oder die Effizienz von Arbeitsabläufen im Gesundheitswesen zu erhöhen.
Sie haben auf der virtual.MEDICA 2020 einen Vortrag über Evercot AI gehalten. Wie hat Ihnen dieses Format gefallen? Denken Sie, dass eine virtuelle Messe eine konventionelle Messe ergänzen kann?
Amba: Trotz der kurzen Zeit, die für die Einrichtung der virtuellen Messe aufgewendet wurde, war sie ausgezeichnet. Es war schwer, den Unterschied zwischen einer physischen (konventionellen) und einer virtuellen Messe zu bestimmen. Es war für mich eine großartige Erfahrung. Außerdem war es sehr angenehm und bequem, jede Präsentation mit nur einem Mausklick aufrufen zu können.
Ich denke jedoch, dass in den meisten Fällen eine physische Messe immer noch sehr relevant ist, da eine virtuelle Messe den persönlichen Austausch und die menschliche Interaktion einfach nicht ersetzen kann. Aber vielleicht könnte in Zukunft eine Hybridmesse eine Lösung sein: Wir könnten auf einer physischen Messe unterwegs sein, haben aber immer noch den Computer, mit dem wir einige Präsentationen virtuell besuchen können.