通过人工智能启用功能连接的解码来区分意识丧失的原因
Young-Tak Kim1, Hayom Kim2, Mingyeong So2
1Department of Biomedical Sciences, Korea University College of Medicine, 73, Goryeodae-ro, Seongbuk-gu, Seoul, 02841, Republic of Korea.
NeuroImage
|July 21, 2024
概括
人工智能 (AI) 模型现在可以使用脑电图 (EEG) 功能连接来区分急性失去意识 (LOC) 的原因. 一个卷积神经网络 (CNN) 实现了高精度,有助于诊断和治疗选择.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 急性意识丧失 (LOC) 由于各种病因的症状重叠而带来诊断挑战.
- 改变的功能连接性 (FC) 与LOC病理生理学有关,但差异诊断的特定模式仍未得到充分探索.
- 开发人工智能模型来识别不同LOC原因的不同FC模式对于有针对性的疗法至关重要.
研究的目的:
- 开发和评估人工智能 (AI) 模型,用于基于脑电图 (EEG) 功能连接 (FC) 的急性失去意识 (LOC) 的差异诊断.
- 为了比较不同的特征提取方法和机器学习算法,包括用卷积神经网络 (CNN) 进行深度学习,用于分类LOC病因.
- 为了确定最佳的EEG数据参数,如时代大小和脑波波段,以实现准确的LOC差异化.
主要方法:
- 使用三维FC相邻矩阵,矢量化FC值和图形理论测量提取特征.
- 实施深度学习 (CNN) 和各种机器学习算法,使用脑电图 (EEG) 数据.
- 通过不同的时代大小优化分类准确性,并分析脑波带贡献 (三角形和三角形).
主要成果:
- 采用FC相邻矩阵的CNN模型实现了最高的分类准确性,曲线下的面积 (AUC) 为0.905.5.
- 使用20秒EEG时代观察到最佳性能.
- 在三角形和三角形脑波频段内确定了关键的区别特征.
- 高精度在前性队列研究中得到了验证.
结论:
- 人工智能模型,特别是利用来自EEG的FC模式的CNN,可以准确地区分急性LOC的原因.
- 使用20秒EEG时代和分析三角形/三角形频段为诊断提供了一种临床上实用的方法.
- 这项研究提高了对LOC机制的理解,并有望提高诊断准确性和治疗选择.
