用图形卷积网络识别网络,其中包含振荡活动和唤起突触反应

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:

• 立体电脑图 (SEEG) 提供高分辨率的神经数据,对于了解的起源至关重要.
• 目前用于区域定位的方法主要使用SEEG的振荡模式和功能连接,忽视直接电刺激引起的电位 (CCEPs).

研究的目的:

• 开发和评估一种新的双流无监督学习模型,集成SEEG和CCEP数据,以精确地定位区.
• 将模型的性能与临床基准和最先进的方法进行比较.
• 在患有时,额和头顶的患者中分析小组级大脑网络区别.

主要方法:

• 开发了一个包含无监督学习和图形卷积网络的双流模型.
• 该模型在个体患者的SEEG和CCEP数据集上进行了训练和测试.
• 局部化结果与临床确定的发作发作区域进行了验证,以进行手术切除.

主要成果:

• 拟议的模型显示了强大的分类能力,用于的区域定位.
• 组级分析显示了不同焦点类型的和非脑网络.
• 该模型的预测与临床确定的手术切除部位保持一致.

结论:

• 无监督的数据驱动模型使用SEEG和CCEP数据提供个性化的区域定位.
• 这种方法为焦点的网络层次病理学提供了新的见解.
• 这些发现凸显了将CCEP与SEEG整合在一起的潜力,以改善的诊断和治疗计划.