NeuroGRIP: диагностика эпилепсии по ЭЭГ с помощью медицинских знаний и графовых нейросетей
Диагностика эпилепсии по сигналам ЭЭГ остается сложной задачей из-за сложной динамики мозга и ложных связей между каналами. Пространственно-временные графовые нейронные сети (STGNN) позволяют моделировать сети мозга, но их графы часто имеют низкую клиническую достоверность и плохо интерпретируются.
Для решения этой проблемы группа исследователей разработала NeuroGRIP — фреймворк с дополненной извлечением (retrieval-augmented) калибровкой графа. Система использует внешнюю медицинскую информацию, чтобы скорректировать шумные графы ЭЭГ.
Авторы построили крупномасштабную предметную базу знаний на основе авторитетных клинических рекомендаций. С помощью больших языковых моделей из нее извлекли структурированные биомедицинские сущности и связи, сформировав текстовый граф знаний (KG), который служит источником клинических априорных данных.
Фреймворк выполняет запросы на основе выравнивания: проекции эмбеддингов узлов ЭЭГ, полученных от STGNN, в семантическое пространство KG. Семантические запросы выполняются через поиск по FAISS на триплетах знаний для извлечения доказательств о связях. Каждому предсказанному ребру присваивается оценка достоверности на основе сходства, типа связи и надежности источника, что позволяет удалить клинически неправдоподобные ребра.
Эксперименты на наборах данных TUSZ и CHB-MIT показали, что NeuroGRIP не только повышает точность обнаружения приступов, но и улучшает интерпретируемость, обосновывая каждое предсказание клинически подтвержденными знаниями.
Это первая объединенная среда, которая тесно связывает динамику мозга с внешними медицинскими знаниями через рассуждения с дополненным извлечением, открывая путь к более объяснимой клинической диагностике. Исходный код NeuroGRIP доступен на GitHub.
