时间变压器-空间图卷积网络:基于电脑图信号的抗N-甲基-D-酸盐受体脑炎的智能分类模型
Ruochen Dang1,2,3,4, Tao Yu5,6, Bingliang Hu1,4
1Key Laboratory of Spectral Imaging Technology, Xi'an Institute of Optics and Precision Mechanics (XIOPM), Chinese Academy of Sciences, Xi'an, China.
Frontiers in neuroscience
|September 13, 2023
概括
这项研究介绍了一种AI模型,即时间变压器空间图卷积网络 (TT-SGCN),用于使用EEG信号诊断脑炎. 该模型在区分健康个体,病毒性脑炎和抗NMDA受体脑炎方面取得了超过80%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 脑炎,通常是由病毒或自身免疫反应引起的,构成了诊断挑战.
- 抗NMDA受体脑炎是一种罕见的自身免疫形式,与特定的EEG模式有关,如"极端三角洲刷" (EDB).
- 准确和及时的诊断对于有效的患者管理至关重要.
研究的目的:
- 开发用于脑炎的智能诊断模型,利用电脑电图 (EEG) 信号.
- 使用EEG数据,区分健康对照组,病毒性脑炎和抗NMDA受体脑炎.
主要方法:
- 分析了131名参与者的数据集 (35人健康,58人病毒性脑炎,55人抗NMDA受体脑炎).
- 提出了一个新的时间变压器空间图卷积网络 (TT-SGCN) 模型,集成时间和空间EEG特征.
- EEG信号经过预处理,转化为连接功率密度 (CPD) 地图,并输入TT-SGCN模型.
主要成果:
- TT-SGCN模型在分类三组时取得了82.23%的准确性.
- 性能指标包括回忆率为80.75%,精度为82.51%,F1得分为81.23%的三组分类.
- 该模型在组之间对对分类任务中表现出有效性.
结论:
- 开发的TT-SGCN模型显示出作为脑炎智能辅助诊断工具的巨大潜力.
- 这种人工智能驱动的方法可以帮助临床医生准确有效地诊断不同类型的脑炎.
- 进一步验证和整合到临床工作流程中可以提高脑炎检测率.
