抓获嵌入地图:一个时空变压器,以比较患者的Ictal脑内EEG特征在规模上的空间时间变压器

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 计划侵袭性治疗依赖于对脑内EEG (iEEG) 发作记录的主观解释.
• 目前用于绘制发作和位置的方法是主观的,在各机构之间有所不同.
• 将新患者的发作数据与历史病例进行比较是不一致的,原因是不同的植入物策略和电极放置.

研究的目的:

• 开发一种用于分析iEEG发作记录的定量方法,以改善抗药性的治疗计划.
• 引入一个能嵌入来自iEEG数据的空间和时间信息的变压器模型.
• 为了对发作网络进行分类,并评估它们与大型队列患者结果的关系.

主要方法:

• 设计并实施了一种定制的时空变压器模型,以从iEEG发作发作时代中提取特征.
• 使用卷积层用于iEEG标记化和时空定位编码器来捕获频道和时间关系.
• 使用无监督集群和交叉验证的多类后勤回归模型验证的扣押嵌入.

主要成果:

• 将该模型应用于102名患者的882次发作,揭示了各个受试者的74次发作集群.
• 在使用后勤回归对发作发作模式进行集群时,达到0.8159的验证准确度.
• 发现了集群和发作/类别的解剖区域之间的显著关联,但不是治疗或结果.

结论:

• 开发了一种方法来表示iEEG记录,提供信息的空间和时间嵌入,用于抓获分析.
• 证明这些嵌入可以揭示常见的发作发作模式,并与解剖起源有关.
• 这项工作是迈向量化,基于深度学习的决策框架的第一步,用于对抗药性的管理.