使用视觉转换器进行电图性发作分类,以帮助医生审查内脑电图记录

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:

• 的治疗依赖于通过内电脑电图 (iEEG) 精确地检测发作.
• 手动审查广泛的iEEG数据是耗时且容易疲劳的.
• 需要自动化的发作分类系统来提高诊断效率.

研究的目的:

• 开发和验证基于视觉变压器 (ViT) 的模型,用于自动化的电图发作分类.
• 评估模型在大型多患者iEEG数据集上的性能.
• 评估模型的概括性,并提供对其决策过程的见解.

主要方法:

• 使用ViT模型训练了来自NeuroPace RNS系统的iEEG记录的时间频谱图.
• 在113名患者的136,878条iEEG记录的数据集上使用了5倍交叉验证.
• 在241名患者的3,010个iEEG记录的独立数据集上进行了临床验证,并在未发行数据集上进行了测试.

主要成果:

• 在培训数据集上,平均测试准确率为96.8%.
• 在经过专家验证的数据上证明了95.8%的准确性和94.8%的F1评分,优于基线模型.
• 显示了超过75%的准确性和F1分数在异常性泛性 (IGE) 患者的分布外数据集上.
• 可解释性分析强调了对发作模式的关注.

结论:

• 基于ViT的方法提供了一个高度准确和可靠的方法,用于自动化的电图 classification.
• 这项技术有潜力显著帮助临床医生管理大量的iEEG数据.
• 该模型的概括性和可解释性表明它在监测和治疗中的临床实用性.