在默认模式网络上进行手术前的结构功能合预测了叶的手术结果

科学领域:

• 神经科学是一个神经科学.
• 发病学 (Epileptology) 是一个专业的学科.
• 医疗成像医学成像

背景情况:

• 叶 (TLE) 是一种常见的神经疾病.
• 预测术后发作复发对于TLE管理至关重要.
• 结构功能合 (SFC) 显示了预测手术结果的潜力.

研究的目的:

• 在TLE患者中调查SFC的全球变化.
• 使用SFC特征预测TLE中的手术结果.
• 开发一种机器学习模型来对TLE手术结果进行分类.

主要方法:

• 对71名TLE患者和48名健康对照患者的术前扩散和功能性MRI数据的分析.
• 在区域和模块化层面量化功能连接 (FC),结构连接 (SC) 和SFC.
• 使用模块化SFC,区域SFC和SC/FC数据集进行结果预测的机器学习模型的开发.

主要成果:

• 与对照人群相比,TLE患者在视觉和皮质下模块中显示出改变的SFC.
• 较高的DMN相关的SFC被观察到在没有发作 (nSF) 的TLE患者中,与没有发作 (SF) 的患者相比.
• 模块化SFC数据集实现了最高的预测性能 (AUC=0.893,准确度=0.887).

结论:

• 在DMN中术前的高SFC与TLE中术后发作复发有关.
• 一个基于SFC的新型机器学习模型准确地对TLE手术结果进行了分类.
• 这种方法为个性化治疗规划提供了一个有前途的工具.