深度学习用于在莱诺克斯-加斯托综合征中自动检测泛性性快速活动
Ewan S Nurse1, Linda J Dalic2, Shannon Clarke3
1Seer Medical, Melbourne, VIC 3000, Australia; Department of Medicine (St. Vincent's Hospital Melbourne), University of Melbourne, Fitzroy, VIC 3065, Australia.
Epilepsy & behavior : E&B
|September 7, 2023
概括
一个深度学习模型准确地检测了伦诺克斯-加斯托综合征 (LGS) EEGs中的泛化瘤快速活动 (GPFA). 这种自动检测有助于估计GPFA负担,这是LGS疾病严重程度的关键生物标志物.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 人工智能在医学中的应用
背景情况:
- 通用性瘤快速活动 (GPFA) 是莱诺克斯-加斯托综合征 (LGS) 的一个关键的脑电图 (EEG) 标志物.
- 从头皮EEG中自动检测GPFA存在挑战,原因是患者间的变化和与正常大脑节律的相似性.
- 准确量化GPFA负担对于了解LGS疾病进展和治疗疗效至关重要.
研究的目的:
- 研究一种深度学习模型,用于在LGS患者中自动检测GPFA事件.
- 评估该模型从头皮脑电图数据中估计GPFA的整体负担的能力.
- 评估模型的性能与手动分析对比,并确定潜在的临床应用.
主要方法:
- 利用了10名LGS患者的门诊EEG数据,这些患者参加了ESTEL试验,用于thalamic深脑刺激.
- 开发并验证了用于检测和量化GPFA事件的深度学习模型.
- 将模型衍生事件计数和负担估计与手动评估进行比较.
主要成果:
- 在手册和模型估计的事件计数 (r2 = 0.87) 和总负担 (r2 = 0.91) 之间观察到高相关系数.
- 该模型的平均GPFA检测灵敏度为0.876,假阳性率为每分钟3.35.
- 根据深度大脑刺激 (DBS) 或阴道神经刺激 (VNS) 状态,没有发现表现的显著差异.
结论:
- 深度学习模型在检测GPFA和估计其在LGS患者中的负担方面表现出高准确性.
- 尽管假阳性率很高,但该模型在LGS中显示出自动化EEG生物标志物计算的前景.
- 自动化GPFA分析可以促进对LGS疾病负担和治疗反应的客观监测.
更多相关视频
10:22Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy
Published on: December 6, 2016
20.4K
10:25Multi-system Monitoring for Identification of Seizures, Arrhythmias and Apnea in Conscious Restrained Rabbits
Published on: March 27, 2021
6.0K
