使用代独立组件分析进行传播映射,用于叶的发发作区域定位

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 影响全球7000万,其中三分之一经历了需要手术的耐药形式.
• 精确的发作区域 (SOZ) 定位对于手术成功至关重要,但仍然是一个重大挑战.

研究的目的:

• 开发和验证一种新的,数据驱动的方法,用于精确地绘制发作传播和定位药物耐药叶 (TLE) 中的SOZ.

主要方法:

• 提出了一种代独立组件分析 (ICA) 方法来绘制发作传播模式.
• 将机器学习模型应用于来自ICA的空间传播配置文件,以区分SOZ.
• 将基于ICA的方法的性能与传统的iEEG源成像进行了比较.

主要成果:

• 在没有发作的患者中,发作传播特征显著区分SOZ与非SOZ接触者 (AUC = 0.85),优于iEEG源成像 (AUC = 0.73).
• 在月经TLE中,ICA方法显示出强大的准确性 (AUC = 0.84),其中iEEG源成像性能显著下降 (AUC = 0.64).

结论:

• 引入了一种数据驱动的策略来表征发作的传播,这为SOZ本地化提供了潜在的进步,特别是对于大脑深层起源.
• 代的ICA方法为专家依赖的传统技术提供了一个适应性的,纯粹基于数据的替代方案.