Диагностика нарушений сознания с помощью топографических карт ЭЭГ на основе нелинейной характеристики и глубокого обучения

В поисках признаков осознанности

Когда любимый человек остается без ответа после тяжелой черепно-мозговой травмы, семьи и врачи сталкиваются с мучительным вопросом: сохранился ли где-то внутри какие‑то остатки сознания и если да, то в какой степени? Традиционные постельные обследования могут пропускать тонкие признаки осознанности, что приводит к ошибочным диагнозам и влияет на уход, реабилитацию и даже решения в конце жизни. В этом исследовании предлагается новый способ «услышать» поврежденный мозг с помощью записей ЭЭГ, математической меры сложности сигнала и алгоритмов глубокого обучения, чтобы более точно различать два основных состояния: вегетативное состояние и состояние минимального сознания.

Два очень разных бессознательных состояния

После тяжелой травмы некоторые пациенты открывают глаза, но не проявляют явных признаков осознанности; их описывают как находящихся в вегетативном состоянии, также называемом синдромом несознательного бодрствования (VS/UWS). Другие могут время от времени выполнять простые команды, следить за объектами или адекватно реагировать на голос или прикосновение; такие пациенты считаются находящимися в состоянии минимального сознания (MCS). Хотя поведение на первый взгляд может выглядеть похоже, шансы на восстановление и необходимый тип реабилитации могут существенно различаться. Тем не менее даже опытные клинические команды в ряде случаев неверно классифицируют до 40 процентов таких пациентов, если полагаются преимущественно на наблюдение у постели больного. Авторы стремились помочь клиницистам объективным инструментом, основанным на активности мозга, который можно применять у постели пациента и который не зависит от способности человека двигаться или говорить.

Измерение сложности мозга в тишине и под музыку

Исследователи изучили 104 взрослых с расстройствами сознания, которых тщательно оценивали стандартизованной шкалой восстановления от комы. У каждого пациента записывали активность мозга с помощью 19-канальной системы ЭЭГ в состоянии покоя и затем во время прослушивания любимой бодрой музыки, выбранной на основе бесед с родственниками. Вместо традиционного анализа ритмов команда вычисляла нелинейную меру — приблизительную энтропию, которая отражает, насколько сложен и непредсказуем сигнал ЭЭГ во времени. Проще говоря, более высокая энтропия соответствует более богатой и разнообразной мозговой активности, что связывают с осознанной обработкой. Значения энтропии с каждого электродного контакта преобразовывали в цветные топографические карты, создавая своего рода «портрет сложности» мозга как в состоянии покоя, так и при прослушивании музыки.

Обучение нейросети «читать» карты

Чтобы превратить эти карты в диагностический инструмент, команда обучила сверточную нейронную сеть (CNN) — тип системы глубокого обучения, часто используемый для распознавания изображений — различать VS/UWS и MCS. Для каждого пациента несколько сегментов ЭЭГ длительностью по 1 секунде преобразовывали в карты энтропии и собирали в изображения, которые служили входом для CNN. Параллельно авторы построили две более традиционные модели машинного обучения: метод опорных векторов и обобщенную регрессионную нейронную сеть, используя выбранные числовые характеристики ЭЭГ. Затем сравнили, насколько хорошо каждый подход маркирует независимую тестовую группу пациентов, чей истинный диагноз был установлен на основе тщательной клинической оценки.

Явные различия в мозговых сигналах и более высокая точность

Исследование показало, что пациенты в состоянии минимального сознания демонстрировали более высокую энтропию в ряде областей мозга по сравнению с пациентами в вегетативном состоянии, особенно на левой стороне головы и во время прослушивания любимой музыки. У пациентов с MCS более высокие значения энтропии значимо коррелировали с более высокими баллами по шкале восстановления после комы, что указывает на то, что мера отражает реальные различия в уровне осознанности. Что касается автоматической классификации, CNN показала лучшие результаты: она правильно различала две группы примерно в 90 процентах случаев и достигла высокой сводной меры качества (AUC 0,90). Метод опорных векторов показал приемлемые результаты, тогда как обобщенная регрессионная сеть отставала. В совокупности эти результаты свидетельствуют о том, что подача карт, похожих на изображения, в модель глубокого обучения позволяет уловить тонкие пространственные закономерности, которые более простые методы не схватывают.

Что это может значить для пациентов и их близких

Для неспециалистов главный вывод заключается в том, что «сложность сигнала» мозга в покое и при прослушивании значимой музыки несет ценные подсказки о скрытой осознанности. Преобразуя эти подсказки в наглядные карты и позволяя нейросети учиться на них, исследователи создали инструмент, который может помочь отличить действительно неосознающих пациентов от тех, кто сохраняет хрупкую, но реальную форму сознания. Хотя результаты требуют подтверждения на больших и более разнообразных группах пациентов, это направление указывает на будущее, в котором рутинные ЭЭГ‑записи в сочетании с тщательно подобранными звуковыми стимулами и современной искусственной интеллектуаль-ной обработкой дадут более надежный «голос» тем, кто не может говорить за себя.

Цитирование: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

Ключевые слова: расстройства сознания, ЭЭГ, глубокое обучение, вегетативное состояние, состояние минимального сознания