结质瘤手术后的认知预测因素:连接切除,结构功能表型,可塑性

科学领域:

• 神经外科 神经外科
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 在保持认知功能的同时最大限度地切除瘤是脑外科手术的一个关键挑战.
• 传统的病变-症状映射正在被机器学习 (ML) 取代,用于患者特定的结果预测.
• 在这种情况下,选择信息和节的预测因子对于ML模型至关重要.

研究的目的:

• 介绍连接切除术作为模型大脑切除的新方法.
• 建议将结构功能表型和神经可塑性纳入预测模型.
• 提高脑瘤手术后预测认知结果的准确性.

主要方法:

• 基于连接空间中的网络断开指数进行参数化切除 (连接切除).
• 通过专注于连接而不是多个voxels,减少维度.
• 将患者特定的结构功能表型和神经可塑性测量作为预测因素.

主要成果:

• 连接切除术提供了切除影响的节的表现.
• 整合连接性,表型和可塑性可以提高ML模型的准确性.
• 这种方法有助于对质瘤进行更精确的外科计划.

结论:

• 连接切割提供了一个强大的框架,用于在神经外科的ML驱动的预测.
• 考虑到结构-功能和神经可塑性的个体间变异性是必不可少的.
• 拟议的方法提升了对脑瘤,特别是质瘤的精确手术.