vEpiNet:一种基于视频和脑电图数据的多式间接性发性放电检测方法

科学领域:

• 医学技术 医学技术 医学技术
• 人工智能的人工智能是人工智能.
• 神经科学是一个神经科学.

背景情况:

• 在的诊断和治疗中,自动检测间接性形放电 (IED) 是至关重要的.
• 目前的深度学习方法主要依赖于脑电图 (EEG) 数据,可能会从其他方式中丢失有价值的信息.
• 提高IED检测系统的准确性和效率是临床实践中持续存在的挑战.

研究的目的:

• 开发和评估一个多式联网深度学习模型,vEpiNet,它集成视频和EEG数据,用于增强自动化IED检测.
• 与仅使用EEG模型 (nEpiNet) 相比,评估视频数据对IED检测性能的贡献.
• 为了验证vEpiNet系统的临床可行性和现实世界的性能.

主要方法:

• 提出了一个多式联网深度学习框架,vEpiNet,处理视频 (使用差和移动简单的关键点) 和EEG (使用EfficientNetV2) 数据.
• 视频和EEG特征使用多层感知器进行了融合.
• 开发了一个比较模型,nEpiNet (仅用于EEG),以隔离视频数据的影响.
• 模型性能使用10倍交叉验证和潜在的现实世界临床数据集进行了评估.

主要成果:

• 在交叉验证中,vEpiNet 实现了 0.9902 的接收器运行特征曲线 (AUROC) 下的优越面积,相比 nEpiNet 的 0.9878 .
• 在一个前性测试数据集中,vEpiNet显示了0.8623的精度回忆曲线 (AUPRC) 下的面积较大,而nEpiNet的面积为0.8316.
• 整合视频数据将精度提高到76.6% (灵敏度为80%),并将虚假阳性结果减少近三分之一,处理时间高效 (5.7分钟/小时).

结论:

• 视频和EEG数据的多模式集成显著提高了自动化IED检测的性能和精度.
• vEpiNet模型显示了临床应用的强大潜力,为现实世界IED分析提供了可行的和有效的工具.
• 视频数据提供了补充信息,增强了基于深度学习的检测系统的稳定性和准确性.