通过对短暂的间内记录进行深度学习,可以准确地描述发作区域

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗技术 医疗技术 医学技术

背景情况:

• 影响全球超过5000万,其中三分之一的人经历了持续的发作,尽管治疗.
• 确定发作发作区 (SOZ) 对于治愈性手术切除至关重要.
• 目前的局部化方法,如立体电脑图 (SEEG),可能需要长时间的住院治疗.

研究的目的:

• 开发和验证一个深度学习模型,用于自动攻击发作区分类.
• 通过交互式SEEG数据来评估模型的性能.
• 探索自动化SOZ定位的潜力,以提高手术前评估的效率和减少患者的发病率.

主要方法:

• 从78名患者中使用了超过100万个间接性SEEG段.
• 使用五重交叉验证策略.
• 训练并测试了一个多通道,多尺度,一维卷积神经网络 (CNN) 用于SOZ分类.

主要成果:

• 在对SOZ进行分类时,CNN的灵敏度为0.702,特异性为0.741,准确度为0.738.
• 模型在整个大脑中表现出强的表现,顶部区域显示精度高达88.4%.
• 具有良好的结局和神经刺激响应的患者的表现明显更好,SHAP分析突出了诸如间歇性尖峰等关键特征.

结论:

• 应用到简短的间接内数据的深度学习可以有效地分类发作发作区域.
• 这些发现支持了关于间接性发性排泄的现有知识,并可能揭示新的形态.
• 临床实施可以减少对记录的发作的依赖,缩短手术前评估,并降低患者的医疗费用.