专家的知识与人工智能相结合,在使用静止状态fMRI进行发作区域定位方面,单独优于人工智能
Payal Kamboj1, Ayan Banerjee1, Varina L Boerwinkle2
1School of Computing and Augmented Intelligence, Arizona State University, Tempe, AZ, United States.
Frontiers in neurology
|January 26, 2024
概括
将专家知识与深度学习 (DL) 整合起来,显著改善了使用休息状态功能性MRI (rs-fMRI) 连接学在耐性患者中发作发作区 (SOZ) 的识别.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 耐药性 (RE) 需要精确的发作发作区 (SOZ) 定位,以获得有效的手术治疗.
- 休息状态功能性MRI (rs-fMRI) 和深度学习 (DL) 是有前途的,但需要对SOZ识别进行改进.
研究的目的:
- 评估是否将专家病学家的指导与DL技术相结合,与DL单独相比,可以改善RE患者的SOZ划分.
- 探索专家识别的SOZ模式的特征.
主要方法:
- 分析了52名RE儿童的rs-fMRI数据.
- 专家对功能连接学数据进行了分类,并用于训练专家知识集成DL模型.
- 一个只有DL的模型也被训练了进行比较.
主要成果:
- 专家知识集成的DL模型实现了84.8%的准确性和91.7%的F1分数,用于SOZ本地化.
- 只有DL的模型的准确性不到50% (63%F1得分).
- 区分性SOZ特征涉及灰质激活,通过白质延伸到血管区域.
结论:
- 将专家知识与DL整合起来,显著提高了RE患者的SOZ定位精度.
- 这种混合方法为SOZ联合激活模式提供了潜在的解释.
- 术前的rs-fMRI研究与手术结果相结合,可以为SOZ识别提供关键的专家知识.
更多相关视频
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
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
2.6K
