机器学习用于在深度脑刺激手术期间定位亚thalamic Nucleus:一个系统的审查和元分析
Made Agus Mahendra Inggas1, Terry Coyne2, Takaomi Taira3
1Department of Neurosurgery, Universitas Pelita Harapan, Tangerang, Banten, Indonesia. made.inggas@lecturer.uph.edu.
Neurosurgical review
|October 10, 2024
概括
人工智能,特别是隐藏的马尔科夫模型 (HMM),在准确地定位下丘脑核 (STN) 进行深度大脑刺激 (DBS) 手术方面显示出希望. 与其他方法相比,这种机器学习方法显著提高了诊断准确性.
科学领域:
- 神经外科 神经外科
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 准确的脑下核 (STN) 划分对于有效的深度大脑刺激 (DBS) 电极放置至关重要.
- 微电极记录 (MER) 和轨迹历史是神经外科医生的关键资源.
研究的目的:
- 评估人工智能的应用,特别是隐藏马尔科夫模型 (HMM),用于STN本地化.
- 评估HMM在STN局部化中对DBS的诊断性能.
主要方法:
- 基于患者数据,对使用HMM预测DBS结果的研究进行系统审查.
- 使用与人工智能,机器学习和DBS相关的关键词搜索了PubMed,EuroPMC和MEDLINE.
- 包括符合HMM应用程序特定纳入标准的英语语言研究.
主要成果:
- 隐藏马尔科夫模型 (HMM) 实现了高诊断概率比 (DOR) 的838.677.7.
- K-近邻 (KNN) 和支持矢量机 (SVM) 模型显示较低的DOR分别为25.151和13.959.
- 该审查包含了14项研究,比较了用于STN诊断的各种机器学习方法.
结论:
- 机器学习,特别是HMM,显著有助于亚thalamic核诊断.
- 虽然MER数据显示了变化,但AI方法在DBS中为STN本地化提供了更高的准确性.
- 机器学习方法用于STN诊断的准确性各不相同,突出显示了HMM的潜力.
