Neural Signals erzeugen klinische Notizen aus EEG-Daten

Die Erstellung von klinischen Berichten, die abnormale Muster, diagnostische Befunde und klinische Interpretationen aus Langzeit‑EEG‑Aufzeichnungen zusammenfassen, ist bislang ein aufwändiger Prozess. Um diesen Aufwand zu reduzieren, hat ein Forschungsteam ein umfangreiches Datenset zusammengestellt, das 9 922 Berichte mit rund 11 000 Stunden EEG‑Daten von 9 048 Patienten verbindet.

Auf Basis dieser Daten wurde CELM – das erste klinische EEG‑zu‑Sprache‑Foundation‑Modell – entwickelt. CELM kann lange, variabel lange EEG‑Aufzeichnungen in strukturierte klinische Berichte umwandeln und dabei mehrere Ebenen abdecken: von der Aufzeichnungsbeschreibung über die Hintergrundaktivität bis hin zu epileptiformen Auffälligkeiten, Ereignissen/Anfällen und abschließenden Impressionen.

In Experimenten zeigte CELM beeindruckende Ergebnisse. Unter Verwendung von Patientengeschichte erzielte das Modell durchschnittliche relative Verbesserungen von 70 % bis 95 % in Standard‑Generierungsmetriken wie ROUGE‑1 und METEOR, wobei die Werte von 0,2–0,3 auf 0,4–0,6 stiegen. Im Zero‑Shot‑Modus, ohne Patientengeschichte, erreichte CELM Scores zwischen 0,43 und 0,52 – deutlich höher als die Baselines von 0,17 bis 0,26.

CELM kombiniert vortrainierte EEG‑Foundation‑Modelle mit Sprachmodellen, um skalierbares multimodales Lernen zu ermöglichen. Das Modell sowie die Pipeline zur Benchmark‑Erstellung werden öffentlich zugänglich gemacht und können unter [URL] abgerufen werden.