Neues EEG-Framework verhindert Datenleckage bei Überlebensvorhersage

Deep‑Learning‑Modelle, die das Überleben von Koma‑Patienten nach Herzstillstand anhand von EEG‑Aufzeichnungen vorhersagen, sind häufig durch subtile Datenleckagen unzuverlässig. Wenn lange EEG‑Aufnahmen in kurze Fenster zerlegt und in mehreren Trainingsschritten wiederverwendet werden, können die Modelle unabsichtlich Labels einbetten und dadurch überoptimistische Validierungswerte erzeugen.

In einer neuen Studie wurde ein bislang übersehener Leak‑Typ in mehrstufigen EEG‑Modellierungs‑Pipelines aufgedeckt. Die Autoren zeigen, dass die Verletzung einer strengen patientenbezogenen Trennung die Validierungsmetriken stark ansteigen lässt, während die Leistung auf unabhängigen Testdaten erheblich nachlässt.

Zur Lösung des Problems wird ein zweistufiges, leakage‑sensitives Framework vorgestellt. Zunächst werden kurze EEG‑Segmente mit einem Convolutional‑Neural‑Network und einer ArcFace‑Zielsetzung in Embedding‑Repräsentationen umgewandelt. Anschließend aggregiert ein Transformer‑basiertes Modell diese Embeddings zu patientenbezogenen Vorhersagen, wobei die Trainingskohorten strikt isoliert bleiben.

Experimentelle Ergebnisse auf einem großen EEG‑Datensatz von post‑Herzstillstand‑Patienten zeigen, dass das neue Verfahren stabile und generalisierbare Leistungen erzielt – insbesondere bei hoher Sensitivität unter strengen Spezifitätsgrenzen. Die Arbeit unterstreicht die Bedeutung einer rigorosen Datenpartitionierung und liefert einen praktikablen Ansatz für verlässliche EEG‑basierte Outcome‑Prädiktionen.