在模拟的脑电图数据中使用神经脆弱性的间接发性区域定位

科学领域:

• 计算神经科学是一种计算神经科学.
• 的研究研究.
• 发现生物标志物的发现.

背景情况:

• 影响全球5000万,其中三分之一患有耐药性 (DRE).
• 精确地定位发性区域 (EZ) 对于成功的手术至关重要.
• 目前的EZ定位方法需要侵入性内EEG (iEEG) 监测和长时间住院治疗.

研究的目的:

• 评估神经脆弱性作为计算生物标志物,用于识别DRE中的发性节点.
• 通过使用in-silico数据,评估神经脆弱性在定位发作区域的预测准确度.
• 探索先进的计算方法,以改善手术规划.

主要方法:

• 使用了来自现象学网络模型的in-silico数据,并预先定义了EZs.
• 评估神经脆弱性,基于动态网络的指标,基于静止状态iEEG数据.
• 使用基于值的分类来识别基于脆弱性得分的发性节点.

主要成果:

• 神经脆弱性显示得分的双模分布.
• 基于值的分类在两个数据集的模拟中,在45%和54%的模拟中准确地确定了发性节点.
• 预测的变化表明需要调查影响准确性的因素.

结论:

• 神经脆弱性显示出作为DRE中EZ局部化的计算生物标志物的潜力.
• 需要进一步的研究来优化网络模型,并通过临床iEEG数据和手术结果验证发现.
• 这项工作有助于推进用于更精确的手术规划和改善患者结果的计算方法.