发作发作区 (SOZ) 识别,使用发作网络的有效大脑连接

科学领域:

• 神经科学是一个神经科学.
• 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:

• 耐药性对治疗提出了重大挑战.
• 准确识别发作区域 (SOZ) 对于手术干预至关重要.
• 目前用于SOZ定位的方法可能是侵入性的和耗时的.

研究的目的:

• 评估一个监督机器学习 (ML) 算法,使用从内脑电图 (iEEG) 记录的图形特征来识别SOZ.
• 评估无模型有效连接 (EC) 措施在区分SOZ和非SOZ电极方面的有效性.
• 展示自动化SOZ定位在管理中的潜力.

主要方法:

• 使用三个无模型的EC措施生成定向图形:定向信息,相互信息引导的格兰杰因果关系指数 (MI-GCI) 和频域融合交叉映射 (FD-CCM).
• 提取的图表以不同稀疏度级别的中心度量作为监督ML分类器的特征.
• 验证了算法在区分SOZ电极与非SOZ电极方面的性能.

主要成果:

• 基于图形特征的ML算法在识别SOZ电极方面实现了>90%的准确性.
• 只有十个特征和简单的ML模型的稀疏图表表示产生了高性能.
• FD-CCM的中心性指标显示出显著的歧视力,平均AUC为0.93,超过了之前的发现.
• 基于FD-CCM的图形建模揭示了SOZ电极的高度中心性,表明在ictogenesis期间活动增加.

结论:

• 在iEEG上使用基于图形特征的ML来自动识别SOZ是非常有效的.
• 特定的欧盟措施,特别是FD-CCM,为SOZ定位提供了更强大的歧视权.
• 这种方法有望提高诊断准确度,并指导治疗策略.