动态内EEG功能网络可控性定位了发作区域,并预测了的手术结果

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.
• 系统生物学 系统生物学

背景情况:

• 发作发作区 (SOZ) 的定位和手术结果的预测对于治疗耐药性至关重要.
• 目前的方法依赖于对内脑电图 (iEEG) 数据的手动分析,这耗时且可能不准确.
• 现有的神经特征 (局部,图形理论,系统理论) 并不能完全捕捉到的复杂时空动态.

研究的目的:

• 使用iEEG数据开发和验证一种用于自动化SOZ定位和外科预测外科结果的新方法.
• 引入动态功能网络可控性作为分析的新神经特征.
• 为了比较这种新功能与现有方法的性能,并探索功能融合.

主要方法:

• 从多通道iEEG信号计算动态功能网络的可控性.
• 应用机器学习模型对iEEG功能网络可控性进行SOZ定位和外科手术结果预测.
• 将新特征与现有的局部,图形理论和系统理论特征进行了比较,并将它们融合在一起.

主要成果:

• 与其他频道相比,SOZ频道的动态功能网络可控性显著更高.
• 使用此功能的机器学习模型成功地定位了SOZ并预测了外科手术结果,超越了现有的功能.
• 将功能网络的可控性与其他神经特征融合在一起,进一步提高了性能,表明了补充信息.

结论:

• iEEG动态功能网络可控性是自动化SOZ定位和手术预测结果的强大而有效的功能.
• 这种控制理论方法提供了对患者大脑网络动态的更全面的理解.
• 功能融合策略可以提高手术预测模型的准确性和可靠性.