深度学习和基于fMRI的管道,用于在帕金森病治疗期间优化深度大脑刺激:朝着快速半自动化刺激优化

科学领域:

• 神经科学是一个神经科学.
• 医疗工程 医疗工程
• 人工智能的人工智能

背景情况:

• 深度大脑刺激 (DBS) 是帕金森病 (PD) 的首要治疗方法.
• 目前的DBS优化是耗时的,昂贵的,并限制了患者的访问.
• 现有的方法需要大量的临床访问,延长了每位患者优化 (TPP) 的时间.

研究的目的:

• 开发一种新的基于深度学习和fMRI的管道,以快速优化DBS参数.
• 显著减少DBS治疗的每位患者优化时间 (TPP).
• 为了降低接受DBS治疗的患者的财务负担.

主要方法:

• 使用无监督自编码器 (AE) 模型从122个BOLD fMRI数据集中提取PD患者的特征.
• 采用多层感知子 (MLP) 模型进行DBS参数的分类和预测.
• 开发了一个AE-MLP管道,用于半自动化DBS优化.

主要成果:

• AE-MLP分类模型实现了高精度 (0.96 ± 0.04) 和AUC (0.98) 的最佳与非最佳的DBS.
• 电压,频率和接触位置的预测准确度是有希望的 (0.79-0.85).
• 证明了最佳和非最佳DBS设置的功能脱而出.

结论:

• 拟议的AE-MLP模型显示了快速,半自动化DBS参数优化的潜力.
• 这种基于fMRI的方法可以大幅降低TPP和患者成本.
• 该管道可能会增加DBS治疗的患者吞吐量.