在焦点中,通过基于皮层-皮层唤起潜力的机器学习方法定位发作发作区域

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.
• 发病学 (Epileptology) 是一个专业的学科.

背景情况:

• 精确识别发作区 (SOZ) 对于手术至关重要.
• 目前用于SOZ本地化的方法有局限性.
• 皮质皮质唤起潜能 (CCEPs) 为评估大脑连接提供了一个有希望的途径.

研究的目的:

• 开发和验证使用CCEP指标用于SOZ本地化的一种新型机器学习方法.
• 研究不同临床现型对大脑连接模式的影响.

主要方法:

• 分析了50名接受立体电脑图 (SEEG) 和CCEP记录的患者.
• 采用后勤回归模型,使用六个CCEP指标 (N1RMS,N2RMS,峰值延迟,发病延迟,宽度,面积) 作为输入特征.
• 该模型在SOZ定位中的性能使用曲线下的面积 (AUC) 来评估.

主要成果:

• 开发的机器学习方法在SOZ本地化中实现了高精度,AUC值在0.88到0.93.9之间.
• 在 hippocampus 硬化症 (HS) 和焦点皮层发育不良 (FCD) IIa 组之间观察到N1RMS 值的显著差异.
• 在治疗后变得无的患者中,局部化敏感性显著更高.

结论:

• 拟议的机器学习方法有效地预测了SOZ在不同焦点现象型的局部化.
• 了解CCEP指标可以提供有关发性网络大规模异常的见解.
• 这种方法有可能提高患者的手术前评估和治疗计划.