两种深度学习方法的比较,用事件视频来区分功能解离性和发作

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 区分运动性发作 (ES) 和功能分离性发作 (FDS) 是一个诊断挑战.
• 视频脑电图 (vEEG) 是黄金标准,但在可用性和解释方面存在局限性.
• 需要客观的,自动化的工具来帮助诊断发作.

研究的目的:

• 开发和评估机器学习 (ML) 模型,仅使用视频数据来区分动力ES和FDS.
• 将姿势估计ML模型与3D卷积神经网络 (CNN) 模型的性能进行比较.

主要方法:

• 对10名患者的106个发作事件视频进行了回顾性研究.
• 开发了两个ML模型:一个使用姿势估计,另一个使用端到端3D CNN.
• 使用接收器操作特性 (AUROC) 和精度回忆 (AUPRC) 曲线下的面积,灵敏度,精度和准确度进行性能评估.

主要成果:

• 两种ML模型都比偶然更好地区分ES和FDS.
• 在CNN模型实现了更高的性能:AUROC 0.78,AUPRC 0.84,灵敏度 0.82,精度 0.82,准确度 0.80.
• 姿势估计模型实现了AUROC的0.71,AUPRC的0.53,灵敏度的0.90,精度的0.50,准确度的0.62.

结论:

• 3D CNN模型在将运动ES和FDS与视频区分的姿势估计模型上表现出更高的性能.
• 这些ML工具显示出作为快速,客观的评估的辅助诊断辅助工具的潜力.
• 需要进一步的研究,但这些模型可以减少对神经病学家立即解释的依赖.