机器学习允许在神经外科手术过程中专家级别分类手术内运动唤起的潜能

科学领域:

• 神经外科 神经外科
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 术内神经监测 (IOM) 为机器学习 (ML) 应用提供了机会.
• 运动唤起潜能 (MEP) 在涉及大脑或脊柱的手术中至关重要.
• 目前在IOM数据中的ML应用需要进一步探索.

研究的目的:

• 开发和评估用于肌肉识别的ML模型,使用手术期间的MEP.
• 将ML模型性能与人类专家的解释进行比较.
• 审查在神经外科IOM中现有的ML应用.

主要方法:

• 在六个肌肉的MEP数据上训练并测试了五个ML分类器.
• 利用跨 (TES) 和直接皮层刺激 (DCS) 协议来获得MEP.
• 对单个和以前未见过的患者的评估模型,具有独立和混合的TES/DCS信号.

主要成果:

• 随机森林模型在单个患者任务中实现了99%的准确性,在未经观察的患者中达到78%-94%.
• 机器学习模型,特别是随机森林,显著超过人类专家 (79%对48%的准确性).
• 信号处理功能比传统的神经生理学参数提高了ML模型的性能.

结论:

• 选择的ML模型可靠地分类了手术期间的MEP,在患者和获取方式之间展示了稳定性.
• 在MEP分类中,ML模型显著超过了人类专家的性能.
• ML有潜力作为决策支持系统,提高外科安全和效率.