间隔EEG源连接以定位抗药性患者的发性区域:一种机器学习方法
Georgios Ntolkeras1,2, Navaneethakrishna Makaram1, Matteo Bernabei1
1Fetal-Neonatal Neuroimaging and Developmental Science Center, Division of Newborn Medicine, Department of Medicine, Boston Children's Hospital, Harvard Medical School, Boston, Massachusetts, USA.
Epilepsia
|February 6, 2024
概括
电脑电图 (EEG) 的功能连接 (FC) 分析确定了耐药性 (DRE) 中的发性区域 (EZ) 的生物标志物. 使用这些FC生物标志物的机器学习模型准确地估计了术前规划的EZ.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 耐药性 (DRE) 在临床管理中带来了重大挑战.
- 确定发性区域 (EZ) 对于成功的手术至关重要.
- 目前用于EZ本地化的方法有局限性.
研究的目的:
- 在DRE中使用源功能连接 (FC) 分析来解构发性网络.
- 为了识别EZ的FC生物标志物.
- 开发机器学习 (ML) 模型,从简短的间接电脑图 (EEG) 数据中进行EZ估计.
主要方法:
- 分析了接受手术的50名DRE患者的头皮EEG.
- 使用电源成像 (ESI) 重建皮质活动.
- 针对形和非形时代的计算FC,将EZ与非原性区域 (NEZ) 进行比较.
- 开发了使用FC特征进行EZ识别的ML分类器.
主要成果:
- 在EZ和NEZ之间观察到FC的显著差异 (p < .05).
- 在EZ中发现了较高的FC,而不是其对应的NEZ.
- 在使用形时代的良好结果患者中,ML模型在识别切除时达到75%的准确性,优于尖端定位 (47%的准确性).
结论:
- 一种FC方法可以从简要的EEG数据中提取EZ生物标志物.
- 增加的FC是DRE中的EZ的特征.
- 基于FC的ML模型显示了在儿科DRE中术前EZ局部化的潜力.
