利用交互式多式联络特征和图形神经网络来自动规划手术手术

科学领域:

• 神经外科 神经外科
• 人工智能的人工智能
• 发病学 (Epileptology) 是一个专业的学科.

背景情况:

• 精确地定位发性区域对于成功的手术至关重要.
• 耐药性通常需要手术干预来控制发作.
• 目前的手术规划方法可能是复杂和耗时的.

研究的目的:

• 开发和评估图形神经网络 (GNN) 框架,用于自动化手术规划.
• 在GNN模型中整合内EEG特征,电极拓和MRI数据.
• 评估GNN在预测成功手术结果方面的表现.

主要方法:

• 一项涉及80名耐药患者的回顾性研究.
• 交叉验证被用于评估GNN模型.
• 该GNN集成了间接的内EEG,电极拓和MRI特征.

主要成果:

• 在具有良好的术后结果 (AUC:0.69) 的患者中,GNN的表现明显更好,而不是表现不佳的患者 (AUC:0.33).
• 在GNN中,确定了与原始临床计划分离的,结果不佳的患者的替代性干预目标.
• 具有拓意识的GNN优于传统的神经网络,凸显了电极拓学的重要性.

结论:

• 图形神经网络为自动化手术规划提供了一个有希望的方法.
• 该GNN框架可以通过建议潜在的干预目标来协助临床团队.
• 整合电极拓学显著提高了AI模型在手术规划中的预测能力.