Zastosowanie Sztucznej Inteligencji i Analizy Sygnałów EEG w Diagnostyce Dziecięcych Zaburzeń Neurorozwojowych: Raport Badawczy (2023-2026)

## 1. Wprowadzenie do Obiektywizacji Diagnostyki Zaburzeń Neurorozwojowych

Zaburzenia neurorozwojowe (ang. Neurodevelopmental Disorders, NDD), obejmujące szerokie spektrum kondycji takich jak autyzm (ASD), zespół nadpobudliwości psychoruchowej z deficytem uwagi (ADHD) oraz dysleksja rozwojowa, stanowią jedno z najbardziej palących wyzwań współczesnej medycyny pediatrycznej, psychologii oraz systemów zdrowia publicznego. Według najnowszych szacunków Funduszu Narodów Zjednoczonych na rzecz Dzieci (UNICEF) z 2025 roku, problem ten przybiera rozmiary globalnej epidemii, dotykając blisko 240 milionów dzieci i nastolatków poniżej osiemnastego roku życia.

Tradycyjny paradygmat diagnostyczny opiera się w przeważającej mierze na metodach subiektywnych, wysoce zależnych od doświadczenia klinicysty. Diagnostyka prowadzona jest poprzez ustrukturyzowane wywiady z opiekunami, raporty standaryzowane oraz bezpośrednią, częściowo ustrukturyzowaną obserwację zachowania dziecka. W odpowiedzi na te fundamentalne braki metodologiczne, środowisko naukowe zintensyfikowało poszukiwania obiektywnych, ilościowych biomarkerów neurobiologicznych. Elektroencefalografia (EEG) wyewoluowała na pozycję jednego z najważniejszych narzędzi w tym obszarze.

W latach 2023-2026 dokonał się przełom technologiczny, polegający na głębokiej synergii neurofizjologii klinicznej z dynamicznie rozwijającą się dziedziną sztucznej inteligencji (AI), ze szczególnym uwzględnieniem uczenia maszynowego (ML) oraz uczenia głębokiego (DL). Zaawansowane architektury sieci neuronowych, w tym ewolucja od klasycznych sieci konwolucyjnych (CNN) do potężnych modeli opartych na mechanizmie uwagi (Transformers), umożliwiły automatyczną detekcję, ekstrakcję i klasyfikację subklinicznych wzorców w sygnałach EEG, całkowicie niewidocznych dla ludzkiego oka.

## 2. Paradygmat Analizy i Neurobiologiczne Markery (2023-2026)

Badania nad fuzją sygnałów EEG i sztucznej inteligencji w pediatrii wykazują wykładniczy wzrost liczby publikacji po roku 2018.

### 2.1. Charakterystyka Biomarkerów Neurorozwojowych

- **Dysleksja**: Modele AI precyzyjnie identyfikują podwyższoną moc w paśmie theta oraz zredukowaną moc w paśmie beta1, co korelują z deficytami poznawczymi i nadmiernym przycinaniem synaptycznym (synaptic pruning).

- **Spektrum autyzmu (ASD)**: AI identyfikuje nietypową łączność (hiperkonektywność) oraz specyficzny profil mocy widmowej w formie litery "U".

- **ADHD**: Wykorzystanie technik głębokiego uczenia pozwoliło zmapować podwyższoną moc rytmów theta, alfa i beta, a także podwyższony wskaźnik TBR (theta/beta ratio).

## 3. Analiza Porównawcza Architektur Głębokiego Uczenia

Wybór odpowiedniej architektury sieci neuronowej decyduje o sukcesie diagnostycznym. Obecnie dominują trzy rodziny modeli:

### 3.1. EEGNet

Mistrzostwo parametrycznej optymalizacji. Kompaktowa sieć CNN zaprojektowana specyficznie dla sygnałów mózgowych. Osiąga do 97,99% dokładności w klasyfikacji ASD przy rygorystycznej walidacji.

### 3.2. DeepConvNet

Potężniejszy i znacznie głębszy wariant architektur konwolucyjnych. Skuteczny przy dużych bazach danych (notując dokładność rzędu 88,38%), ale podatny na overfitting przy populacjach dziecięcych rzędu N ≤ 100.

### 3.3. Transformery

Architektury oparte na mechanizmie samouwagi (Self-Attention). Pozwalają na globalną ewaluację całego sygnału jednocześnie, dając system diagnozujący z dokładnością sięgającą 99,8% w fuzjach wielomodalnych (EEG + MRI + Eye-Tracking).

## 4. Analiza Metryk Oceny Skuteczności

W warunkach klinicznych kluczowa jest czułość (Sensitivity) i swoistość (Specificity).

- **ADHD**: Systemy osiągają około 98% dokładności, 95% czułości i 96% swoistości.

- **Dysleksja**: Modele hybrydowe operują powtarzalnie ponad próg 90-91% F1-score.

- **Spektrum autyzmu**: Najwyższa wariancja wyników (AUC 0.65-0.93) z uwagi na szerokie kontinuum zaburzenia.

Uśrednione wyniki na poziomie 83-87% stanowią realistyczny, globalny wskaźnik niezawodności systemów wspomagających.

## 5. Wyzwania Metodologiczne i Ograniczenia

1. **Wielkość prób**: Mediana wielkości próby w badaniach pediatrycznych to zaledwie N = 51, co jest wyzwaniem dla Deep Learning.

2. **Deficyt Generalizowalności**: 85% uczestników w bazach treningowych pochodzi z krajów zachodnich, co marginalizuje odmienności kulturowe.

3. **Problem "Czarnej Skrzynki"**: Rozwiązaniem jest Wyjaśnialna Sztuczna Inteligencja (Explainable AI - XAI), np. techniki SHAP, które wizualizują proces decyzyjny modelu.

## 6. Uwarunkowania Prawne i Regulacyjne

- **USA (FDA)**: Oprogramowanie AI w neurologii to zazwyczaj Klasa II (ryzyko umiarkowane). Wprowadzono koncepcję PCCP (Predetermined Change Control Plan), pozwalającą na adaptacyjność algorytmów po debiucie rynkowym.

- **UE (EU MDR)**: Reguła 11 automatycznie klasyfikuje oprogramowanie diagnostyczne AI jako Klasę IIa lub wyższą. AI Act (AIA) w 2025 roku dodatkowo nakłada wymogi dla systemów wysokiego ryzyka.

## 7. Wnioski Końcowe

Inżynierowie oraz neurokliniczyści zyskali potężną aparaturę klasyfikacyjną. Mimo oszałamiających wyników (do 99,6%), AI winno być wykorzystywane jako zaawansowane narzędzie wspierające decyzje wykwalifikowanego neurologa, a nie autonomiczny arbiter medyczny. Przyszłością branży są wieloośrodkowe sojusze agregujące zasoby danych w trosce o powielalność wyników.