在患有结核性硬化综合体的患者中预测发性,使用融合模型整合损伤网络映射和机器学习

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:

• 在复合体 (TSC) 中精确定位发性结核 (ETs) 对于手术至关重要,但由于缺乏明显的标志物,仍然具有挑战性.
• 很大一部分患者 (约60%) 通过非侵入性手术前评估无法成功识别ET,这凸显了需要改进局部化策略的需要.

研究的目的:

• 开发和验证一种新型的非侵入性融合模型,用于在TSC相关患者中准确地定位发性 (ETs).
• 评估模型的性能与现有的非侵入性方法相比,并评估其在手术规划中的临床实用性.

主要方法:

• 创建了一个融合模型,将病变网络映射与机器学习预测模型集成在一起,使用功能连接和MRI数据上的随机森林算法.
• 对47名经过切除手术并实现了无发作的TSC患者进行了回顾性分析,根据切除的区域将结核分类为真正的ET或非ET.
• 该模型为每个茎是外星人分配了一个概率排名,真正的外星人预计将有更高的排名.

主要成果:

• 在91%的案例中,融合模型成功地将真正的外星人在前三名中排名.
• 该模型实现了0.86的曲线下面积 (AUC),显著超过了头皮EEG,半径学和基于PET的MRI.
• 在三个中心进行的交叉验证证实了该模型在定位ET方面具有很高的概括性和准确性.

结论:

• 开发的融合模型显示出高精度和临床实用性,作为在TSC相关中ET局部化的非侵入性工具.
• 该模型通过有效解决识别外星人所面临的挑战,为外科规划提供了宝贵的支持.
• 这些发现表明,在TSC患者手术的非侵入性手术前评估方面取得了重大进展.