通过基于非侵入性检查的脑网络,通过脑网络区分时间加"岛屿"和时间叶

科学领域:

• 神经科学是一个神经科学.
• 的研究研究.
• 医学成像分析 医学成像分析

背景情况:

• 側頭葉 (TLE) 和側頭葉加 (TPE) 是不同的狀.
• 从临床上看,区分TPE与TLE的岛屿参与是重要的.
• 非侵入性脑网络分析为改善诊断差异化提供了潜力.

研究的目的:

• 为了区分TPE患者与涉及insula的TLE患者.
• 为了利用来自非侵入性评估的脑网络分析来进行这种差异化.
• 开发一个机器学习模型来分类TPE与TLE患者.

主要方法:

• 对TLE和TPE患者的回顾性选择和倾向性得分匹配 (PSM).
• 使用18F-氧葡萄糖-子发射断层扫描 (FDG-PET) 构建代谢大脑网络.
• 将图形理论和复发量化分析 (RQA) 应用于头皮脑电图 (EEG) 数据.
• 使用网络指标开发一个极端梯度增强 (XGBoost) 分类器.

主要成果:

• 在PSM中,确定了25对TLE和TPE患者.
• 与TPE患者相比,TLE患者在后面岛屿中显示出明显更高的中心度 (Dc) 和前后岛屿中较高的节点聚合系数 (Ncf).
• 两组之间的RQA指标没有发现显著差异.
• XGBoost 分类器实现了77%的准确性和0.83的AUC,表明有效的差异化.

结论:

• 独特的大脑网络特征,特别是insula中的Dc和Ncf,区分TLE和TPE患者.
• 与机器学习相结合的非侵入性评估可以有效地区分TPE和TLE.
• 这些发现凸显了网络分析在类型分类中的有用性.