基于人类大脑中高频振荡的实际测量,区分生理学和病理学立体电脑摄影通道
Zilin Li1, Baotian Zhao1, Wenhan Hu1,2,3
1Department of Neurosurgery, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
Epilepsia open
|May 29, 2024
概括
新功能准确地区分了立体电脑学 (SEEG) 通道中的病态高频振荡 (HFO) 和生理振荡. 这种机器学习方法增强了发性区域 (EZ) 的临床定位.
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.
- 信号处理 信号处理
背景情况:
- 立体电脑图 (SEEG) 对于在焦点中定位发性区域 (EZ) 是至关重要的.
- 高频振荡 (HFO) 是EZ识别的潜在生物标志物.
- 从生理上区分病态HFO仍然是一个挑战.
研究的目的:
- 确定在EZ内外的HFO的区别特征.
- 开发和验证基于HFO的SEEG通道分类的机器学习 (ML) 分类器.
- 评估这些特征和ML分类器的临床实用性.
主要方法:
- 在焦点患者的SEEG记录中检测到HFO.
- 病理性HFO被定义为在发作和早期传播区域内的;其他是生理性的.
- 提取了三个通道级特征:形态重复,节奏性和相幅度合 (PAC).
- 一个ML分类器被训练使用这些特征来区分病理和生理的HFO.
主要成果:
- 分析包括166,104个病理性HFO (255个道) 和53,374个生理性HFO (282个道).
- 与生理学HFO相比,病理学HFO的形态重复性,节奏性和PAC显著更高.
- ML分类器的AUC值为0.89,其中PAC和节律性是重要的贡献者.
- 在不同的意识状态,成像结果,EZ位置和手术结果中,分类器的性能保持稳健.
结论:
- 定量HFO特征,包括节律性和PAC,有效地区分病理与生理SEEG通道.
- 开发的ML分类器在区分HFO类型方面表现出高度准确性.
- 这些发现显著提高了SEEG用于EZ局部化的临床实用性.
