在内电生理学中评估自动发性区域定位的指标
Valentina Hrtonova1, Petr Nejedly2, Vojtech Travnicek3
1First Department of Neurology, Faculty of Medicine, Masaryk University, Pekarska 53, 602 00 Brno, Czech Republic; Institute of Scientific Instruments of the CAS, v. v. i., Kralovopolska 147, 612 00 Brno, Czech Republic; Department of Neurology, Duke University School of Medicine, 2424 Erwin Rd, Durham, NC 27705, the United States of America.
概括
准确的局部化模型需要评估阶级不平衡,并使用AUROC和AUPRC指标. 这一框架提高了机器学习模型的可靠性,以获得更好的手术结果.
科学领域:
- 神经科学是一个神经科学.
- 医学机器学习 医学机器学习
- 的研究研究.
背景情况:
- 精确地定位发性区域对于有效的手术至关重要.
- 挑战包括不平衡的数据集 (患者与正常接触者) 和机器学习模型缺乏标准化的评估准则.
研究的目的:
- 为了应对评估机器学习模型用于发性区域定位的挑战.
- 分析临床数据集中的类失衡,并评估共同的评估指标.
主要方法:
- 分析了来自两个机构的139名耐药患者的临床数据.
- 使用临床和模拟数据检查指标行为.
- 评估类不平衡及其对模型性能的影响.
主要成果:
- 作为一个最佳的评估方法,建议使用接收器操作特征下的区域 (AUROC) 和精度回调曲线下的区域 (AUPRC).
- 临床数据集的显著差异需要对阶级失衡及其影响进行分析.
结论:
- 提出了一个全面和可靠的框架,用于评估机器学习模型在发性区域本地化.
- 该框架提高了多中心测试的模型精度,临床相关性和可比性.
- 预计该框架的采用将提高可靠性,并改善患者的手术结果.
关键词:
二元分类二元分类二元分类.阶级不平衡造成的不平衡是一种病.发性组织局部化.发性区域是一个发性区域.评估指标评估指标内脑电图 (EEG) 是一种脑内脑电图.机器学习 机器学习发作发作区是发作开始的区域.
