在神经外科手术中解释性AI用于内外手术发起的潜在肌肉分类:双中心回顾性研究
Qendresa Parduzi1,2,3, Jonathan Wermelinger2, Simon Domingo Koller4
1Graduate School for Health Sciences, University of Bern, Bern, Switzerland.
Journal of medical Internet research
|March 24, 2025
概括
机器学习模型在手术过程中从运动唤起的潜能 (MEP) 准确地分类肌肉身份. 可解释AI确定了MEP信号的关键特征,改善了手术内神经生理监测 (IONM) 和患者安全.
科学领域:
- 神经外科 神经外科
- 神经生理学 神经生理学
- 人工智能的人工智能
背景情况:
- 术内神经生理监测 (IONM) 对于在高风险手术期间保护运动通路至关重要.
- 目前的方法缺乏对运动唤起潜力 (MEP) 的标准化警告标准,这会影响患者的安全.
- 开发肌肉识别预测模型可以提高IONM的可靠性.
研究的目的:
- 开发和评估机器学习 (ML) 模型用于双中心设置中的肌肉分类.
- 通过使用可解释的人工智能 (XAI) 来确定MEP信号的关键特征,以准确地进行肌肉分类.
主要方法:
- 使用随机森林 (RF) 分类器和卷积神经网络 (CNN) 来分类来自四个肌肉的MEP信号.
- 在151次手术的数据上训练和验证模型,并在两个中心的58次手术的数据上进行测试.
- 沙普利添加式解释 (SHAP) 和梯度类激活图 (Grad-CAM) 用于特征识别.
主要成果:
- 射频分类器在验证组件上达到87.9%的准确率,在测试组件上达到80%.
- 1D和2D-CNNs在MEP分类中显示了可比的性能.
- XAI分析显示频率组件和峰值延迟是准确分类的关键特征.
结论:
- 机器学习技术和XAI显著提高AI驱动IONM的可靠性.
- 这项研究确定了新的MEP信号特征,这些特征可以改善手术内预警标准.
- 减少肌肉错误标记和新的警告标准可以提高手术过程中的患者安全.
关键词:
人工智能的人工智能是人工智能.卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.可以解释性的解释性.在手术内进行神经监测.机器学习是机器学习.医疗信息学是一门医学信息学专业.监控 监控 监控 监控 监控 监控发动机 发动机 发动机发动机唤起的潜在潜力神经生理学神经生理学神经外科神经外科手术整形外科的整形外科.个性化医疗是个性化的医疗.随机的森林随机的森林更多相关视频
12:13Assessing Primary Motor Cortex Excitability and Excitability Modulation by Pairing Transcranial Magnetic Stimulation with Electromyography
Published on: October 7, 2025
10:27A Standardized Protocol for Functional Motor Mapping Using Navigated Transcranial Magnetic Stimulation
Published on: February 27, 2026
