基于EEG的深度学习模型用于在小鼠中超急性大血管阻塞中风检测.
Tan Zhang1, Xiaolin Li2, Xinxin Hu3
1Department of Neurosurgery, The Second Affiliated Hospital of Soochow University, Suzhou, China.
CNS neuroscience & therapeutics
|September 27, 2025
概括
这项研究开发了一个深度学习模型,使用脑电图 (EEG) 来检测大血管封闭 (LVO) 中风的早期阶段. 该模型实现了高精度,显示了快速,非侵入性中风诊断的潜力.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 大血管闭塞 (LVO) 中风需要快速诊断和干预.
- 目前的诊断方法可能耗时,延迟关键治疗.
- 早期发现超急性LVO中风对于改善患者的治疗结果至关重要.
研究的目的:
- 开发一种深度学习模型,用于早期和准确地检测超急性LVO中风.
- 为了利用电脑电图 (EEG) 数据进行中风检测.
- 用各种指标来评估模型的性能.
主要方法:
- 一个pMCAO小鼠模型被用来模拟LVO中风.
- 在超急性阶段收集了高分辨率的EEG数据.
- 采用EEGNet架构进行模型开发,并使用七倍交叉验证进行评估.
主要成果:
- 深度学习模型实现了97.9%的准确性和0.977 AUC.
- 可靠的中风检测是在中风发作后1.5小时内实现的.
- 分类准确度在每小时间隔超过95%,显示出高特异性.
结论:
- 基于EEG的深度学习模型在超急性LVO中风检测方面表现出强大的性能.
- 该模型显示了作为早期中风诊断的生物标志物的潜力.
- 这种方法可以成为实时,非侵入性中风监测的基础.
