在叶中的神经雪崩作为一种非侵入性诊断工具,研究大规模的大脑动态
Marie-Constance Corsi1, Emahnuel Troisi Lopez2, Pierpaolo Sorrentino3,4
1Sorbonne Université, Institut du Cerveau - Paris Brain Institute -ICM, CNRS, Inria, Inserm, AP-HP, Hopital de la Pitié Salpêtrière, 75013, Paris, France. marie-constance.corsi@inria.fr.
Scientific reports
|June 18, 2024
概括
使用神经元雪崩 (NA) 自动化诊断显著提高了比传统方法的准确性. 这种方法有助于临床医生通过分析大脑动态来识别叶 (TLE).
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.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 的诊断是具有挑战性的,误诊率高达40%.
- 当前的诊断方法可能无法完全捕捉复杂的大脑动态.
- 叶 (TLE) 需要准确和及时的识别.
研究的目的:
- 开发一个自动化工作流程,帮助临床医生诊断TLE.
- 评估神经元雪崩 (NA) 作为一个比想象一致性 (ImCoh) 更有效的特征用于TLE诊断.
- 调查NA和的内在神经元时间尺度之间的关系.
主要方法:
- 从静止状态电脑图源估计中分析大规模激活爆发 (神经元雪崩).
- 使用虚拟连贯性 (ImCoh) 作为基准功能连接度的衡量标准.
- 使用支持矢量机器 (SVM) 在TLE患者和对照人群之间进行分类.
主要成果:
- 在使用NA的对照组中,获得了0.86 ± 0.08 (SD) 的分类准确度和0.93 ± 0.07的TLE与对照组的AUC.
- 与ImCoh.相比,神经雪崩的特点提高了诊断预测准确率约16%,比ImCoh.
- 在5分钟的信号记录时间内,分类准确度稳定.
结论:
- 神经雪崩为自动的识别提供了一个可解释的特征.
- NA分析提供了对病理相关区域内内在神经元时间尺度的洞察.
- 这种自动化方法有可能提高TLE诊断的准确性和效率.
