分断与征服:自动检测thalamus授权DBS生理导航到subthalamic地区的自动检测
概括
新的算法在深度大脑刺激 (DBS) 手术期间自动检测乳头和亚乳头核 (STN),提高准确性并提供实时神经外科指导.
科学领域:
- 神经外科 神经外科
- 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:
- 深度大脑刺激 (DBS) 需要精确地准皮下结构.
- 精确识别体和亚体核 (STN) 对于有效的DBS手术至关重要.
- 目前用于手术内识别的方法可能耗时,可能缺乏精度.
研究的目的:
- 开发和验证用于在DBS手术期间实时识别乳头和STN电生理活动的自动化算法.
- 整合基于站点和序列的方法,以提高检测准确度.
- 将新算法的性能与现有的商业解决方案进行比较.
主要方法:
- 利用来自29,735个记录站点的电生理学数据,涵盖了接受DBS的112名患者.
- 开发并比较了两种机器学习方法:支持矢量机器-高斯隐藏马尔科夫模型 (SVM-GHMM) 和长短期记忆 (LSTM) 循环神经网络.
- 集成的特定站点功能与基于序列的信息用于算法训练.
- 用临床指标评估伪实时算法性能,并与HaGuide算法进行比较.
主要成果:
- 实现了高灵敏度和特异性,既用于thalamus (73%-77%的灵敏度,97%-98%的特异性) 和STN (94%-96%的灵敏度,98%-99%的特异性) 的检测.
- 证明了基于序列的分类对电生理学上异质的乳头特别有效.
- 在STN检测方面,SVM-GHMM和LSTM都显著超过了HaGuide算法.
- 成功地确定了沿着向后部亚thalamic区域的轨迹的thalamic和STN活动.
结论:
- 在不影响STN检测准确性的情况下,可实现沿着向亚thalamic区域的轨迹自动实时识别thalamic活动.
- 开发的算法为神经外科医生提供了有价值的工具,在DBS手术过程中提供了增强的手术内环境.
- 该研究强调了整合基于站点和序列的机器学习的潜力,以改善DBS中的外科导航和结果.


