在神经外科手术患者中实现无刺激的自动电皮质谱语音映射

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 神经外科 神经外科

背景情况:

• 精确地绘制语音功能对于和脑瘤患者的神经外科干预至关重要.
• 传统的电皮刺激映射 (ESM) 是有效的,但存在诱导的风险.

研究的目的:

• 开发和验证机器学习 (ML) 方法,用于将电皮质绘图 (ECM) 信号转换为可靠的语音功能图.
• 为了提供一个更安全的替代入侵ESM为雄辩的皮层识别.

主要方法:

• 从接受立体EEG监测的14名患者创建了一个全面的ECM +电皮层刺激映射 (ESM) 数据集.
• 各种ML分类器 (XGBoost,SVC,后勤回归,随机森林等) 被训练使用来自ECM信号的马波段功率特征.
• 模型的性能被验证使用一个离开一个患者的程序,评估ROC和精度召回曲线.

主要成果:

• 线性支向量分类 (SVC) 在区分与语音相关的iEEG通道方面实现了高精度 (ROC-AUC 0.91,PR-AUC 0.88).
• 整合语音发作信息显著提高了分类准确性.
• 该研究严格比较了ECM和ESM的结果,模仿了现实世界的应用.

结论:

• 机器学习模型可以有效地从ECM数据中预测语音功能,为ESM提供更安全的替代方案.
• 开发的方法和公开可访问的数据集推进了雄辩的皮质映射领域.
• 这项研究为更安全,更可靠的神经外科手术程序铺平了道路.