一种使用交叉验证以通过机器学习测量连接的新方法,允许预测手术结果

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医疗技术 医疗技术 医学技术

背景情况:

• 手术的成功取决于精确识别发性网络 (EN),但目前的方法缺乏可靠的生物标志物.
• 发作期间的功能连接对于表征EN至关重要,但其在患者之间高度的变异性使生物标志物的发展复杂化.

研究的目的:

• 为了测试这种假设,即与其他大脑网络相比,EN在发作过程中表现出最大的连接变化大小.
• 开发和验证一种用于量化连接变化的新方法,以识别EN并预测外科手术结果.

主要方法:

• 开发了一种新的机器学习方法来量化来自内EEG的网络状态之间的连接变化.
• 使用分类器概括性能作为连接变化大小的衡量标准,以识别EN.
• 在21名患者中验证了框架,将已识别的网络与手术切除进行比较,并与手术后3年的结果相关联.

主要成果:

• 连接性变化网络和手术切除之间的重叠发生在前到过渡期间 (90.3%的ROC-AUC用于预测结果).
• 该方法准确地分类了所有患者的外科治疗结果,但只有一名患者使用了信息性的,与发作长度成比例的时间间隔.
• 连接性变化分析成功识别了发性网络,通过手术结果验证.

结论:

• 过渡期间的连接变化大小可以作为发性网络的潜在生物标志物.
• 这种新的分析框架准确地识别了ENs,并显示出有助于在中进行手术决策的前景.
• 这些发现表明,功能连接的动态变化是发性区域的强有力的指标.