焦点发作的非性状态和有毒代谢性脑病变之间的功能网络的差异:用于区别诊断的机器学习模型的应用
Seong Hwan Kim1, Hayom Kim1, Jung Bin Kim1
1Department of Neurology, Korea University Anam Hospital, Korea University College of Medicine, Seoul, Republic of Korea.
Cognitive neurodynamics
|July 31, 2023
概括
图表测量显示出明显的脑网络特性,使非状态 (NCSE) 与毒性/代谢性脑病变 (TME) 区分开来. 这些网络属性显示出作为准确差异诊断的定量标记物的潜力.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 医疗信息学 医疗信息学
背景情况:
- 从临床上讲,区分焦点发作非性状态 (NCSE) 和毒性/代谢性脑病变 (TME) 是一个挑战.
- 电脑电图 (EEG) 上的周期性放电可以存在于这两种情况中,使诊断复杂化.
研究的目的:
- 通过图形理论分析,在周期性放电期间比较焦点发作的NCSE和TME之间的大脑网络特性.
- 通过机器学习评估图表测量的实用性,作为NCSE和TME之间区分的诊断标记.
主要方法:
- 分析了来自50名焦点发作的NCSE和44名TME患者的EEG数据.
- 图形理论分析应用于不同频段的非夜间周期性放电时代.
- 八个机器学习算法被用来根据图表测量来对NCSE和TME进行分类.
主要成果:
- 与NCSE相比,有毒/代谢性脑病变 (TME) 的平均程度,强度,全球效率,局部效率,聚类系数和过渡性在特定频段中更高.
- 非性状态 (NCSE) 显示的模块化和分类性低于TME.
- 机器学习模型准确地对NCSE和TME进行了分类,梯度增强实现了0.904.4的AUC.
结论:
- 在周期性放电期间,焦点发作的NCSE和TME之间存在大脑网络拓学的显著差异.
- 来自EEG的图形理论测量结果显示,这些条件的差异诊断的定量生物标志物是有希望的.
关键词:
差异诊断是一种差异诊断.机器学习 机器学习网络 网络 网络 网络 网络 网络没有的状态是性.有毒的代谢性脑病变 (toxic metabolic encephalopathy) 是一种有毒的代谢性脑病变.更多相关视频
12:09Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy
Published on: August 5, 2014
18.1K
10:23Equipment Setup and Artifact Removal for Simultaneous Electroencephalogram and Functional Magnetic Resonance Imaging for Clinical Review in Epilepsy
Published on: June 23, 2023
2.0K
