在DBS手术期间STN功能识别中MER处理管道的作用:基于特征的机器学习方法
Vincenzo Levi1,2, Stefania Coelli2, Chiara Gorlini1
1Functional Neurosurgery Unit, Neurosurgery Department, Fondazione IRCCS Istituto Neurologico Carlo Besta, Via Giovanni Celoria 11, 20133 Milan, Italy.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
微电极记录 (MER) 数据的最佳预处理改善了在帕金森病 (PD) 中进行深度大脑刺激 (DBS) 手术的亚thalamic核 (STN) 识别. 文物拒绝和异常管理提高了机器学习的准确性,而功能正常化可能会降低性能.
科学领域:
- 神经外科 神经外科
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
背景情况:
- 微电极记录 (MER) 对于验证帕金森病 (PD) 深度大脑刺激 (DBS) 中的亚thalamic核 (STN) 向至关重要.
- 机器学习 (ML) 模型越来越多地用于从MER数据中增强STN本地化.
- 预处理步骤对ML分类器对MER数据的性能的影响仍未得到充分研究.
研究的目的:
- 使用MER数据系统评估各种预处理管道对基于ML的STN本地化准确性的影响.
- 为了确定MER数据预处理的最佳文物删除,异常值处理和特征规范化策略.
- 用SHAP分析评估ML模型的可解释性,以了解特征的重要性.
主要方法:
- 研究了24个不同的预处理管道,结合了人工物去除 (COV,BCK),异常值处理 (ORH) 和特征规范化技术.
- 使用三个ML模型 (随机森林,支持矢量机器,物流回归) 评估管道性能.
- 使用SHAP (夏普利增材扩展) 分析来确定不同预处理配置中的特征重要性.
主要成果:
- 文物拒绝 (COV,BCK) 和优化异常值管理 (ORH) 持续改善了分类性能.
- 在分类之前半球特定特征的规范化导致所有评估指标的性能下降.
- 随机森林模型,应用于预处理的数据与COV文物排斥和ORH异常值管理,实现了最高的准确性 (0.945).
结论:
- 有效的文物排斥和异常值治疗对于在DBS手术中基于MER准确识别STN至关重要.
- 在这种情况下,初步特征规范化策略可能会损害ML模型的性能.
- 基于SHAP的可解释性为改进ML管道和开发MER引导DBS准的强大协议提供了宝贵的见解.
