利用具有延迟感知能力的神经网络，通过视频眼震图自动区分良性阵发性位置性眩晕

《Scientific Reports》：Automated classification of benign paroxysmal positional vertigo from video-nystagmography using a delay-aware neural network

　　

摘要

眼球震颤是前庭障碍（包括良性阵发性位置性眩晕，BPPV）的关键指标。准确诊断BPPV至关重要，因为该疾病可以通过特定的床边操作进行治疗，从而迅速缓解症状，改善患者预后并减少不必要的治疗。在临床实践中，识别位置性眼球震颤依赖于在诱发操作过程中观察和解释眼球运动，这些操作可能结合或不结合视频眼震图（VNG）技术。当信号微弱、存在噪声或具有时间变化性时，这一过程可能具有主观性且难以标准化。我们提出了DSF-BPPVNet，这是一种能够处理时间延迟的神经网络模型，用于根据VNG数据对BPPV进行分类。该模型结合了时间卷积、延迟状态反馈和残差优化机制，以支持对具有时间结构的眼球运动信号进行分类。通过在705名患者的3,111条VNG数据上进行5折交叉验证，该模型与现有的深度学习基线模型进行了比较。在独立于患者数据的情况下，DSF-BPPVNet在所有评估模型中表现最佳，F1分数为0.819 ± 0.020。此外还进行了可解释性分析，以了解模型的决策机制和时间加权特性。