在响应性神经刺激中,深度网络检测和预测电图发作模式的发生
Victoria Peterson1,2, Vasileios Kokkinos1, Enzo Ferrante3
1Department of Neurosurgery, Massachusetts General Hospital, Harvard Medical School, Boston, Massachusetts, USA.
Epilepsia
|May 27, 2023
概括
一个新的AI工具iESPnet使用响应神经刺激 (RNS) 系统数据准确地检测患者的发作模式. 这种自动化系统显著减少了手动分析的时间,并提高了发作检测的准确性,以获得更好的治疗.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 管理具有响应性神经刺激 (RNS) 系统的耐药患者需要对内脑电图 (iEEG) 记录进行广泛的手动审查.
- 大量的iEEG数据和有限的专家可用性需要自动化工具来准确检测发作模式.
- 在检测内脑电图发作模式 (iESPs) 方面开发专家级准确性对于患者管理至关重要.
研究的目的:
- 开发一个智能系统,iESPnet,用于识别来自RNS设备的iEEG记录中的iESP的存在和发病时间.
- 创建一个可以准确检测发作模式的自动化工具,减少手动数据分析的负担.
主要方法:
- 一个神经网络模型,iESPnet,使用来自RNS系统的24名患者 (36,293条记录) 的iEEG数据进行训练.
- 该模型被训练以预测每个iEEG采样点的发作发作概率.
- 使用平衡准确度和F1得分来评估性能,通过错误指标评估预测时间,采用保留一次的策略和外部验证.
主要成果:
- 在检测iESP的过程中,iESPnet实现了90%的平均准确度,预测时间错误约为3.4秒.
- 模型性能独立于电极位置,并不受现有的RNS设备检测的偏见.
- 在单独的队列中的验证证实了iESPnet在实际临床环境中的适用性,突出了对非响应者的RNS设备检测的局限性.
结论:
- iESPnet在检测iESP方面表现出高可靠性和准确性,比手动分析提供了显著的改进.
- 该工具有可能大幅减少手动iEEG检查所花费的时间.
- iESPnet可以促进在RNS系统患者中更有效地评估治疗反应,从而可能增加治疗疗效.
