抓获Former:一个多尺度的变压器从RNS衍生的生物标志物抓获风险预测

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 预测发作仍然具有挑战性,特别是在长期预测方面.
• 现有的模型通常依赖于原始脑电图 (EEG) 数据,这限制了它们在长期预测方面的有效性.
• 响应神经刺激 (RNS) 系统产生有价值的生物标志物,这些生物标志物有可能改善预测.

研究的目的:

• 开发和评估SeizureFormer,这是一个基于变压器的新型模型,用于长期预测发作风险 (1-14天).
• 利用来自RNS系统的结构化生物标志物,特别是间接性活动 (IEA) 和长期发作 (LE),以提高预测准确性.
• 将SeizureFormer的性能与现有的统计,经典机器学习和深度学习模型进行比较.

主要方法:

• 开发了基于变压器的深度学习模型SeizureFormer,集成了多规模的CNN补丁嵌入,交叉变量时间卷积和挤压和激发注意力.
• 使用从RNS系统中提取的结构化生物标志物 (IEA和LE) 进行模型培训和测试.
• 在5名患者中评估了该模型,预测窗口范围为1至14天.

主要成果:

• 在患者和预测窗口中,SeizureFormer实现了最先进的性能,平均ROC AUC为79.44%,平均PR AUC为76.29%.
• 与基线模型相比,该模型显示出更高的概括性,特别是在阶级不平衡的情况下.
• 在1至14天前成功预测了发作相关事件.

结论:

• 在使用RNS生物标志物的长期发作风险预测中,SeizureFormer提供了显著的进步.
• 该模型能够捕捉短期波动和长期发作周期的能力提高了预测准确度.
• 这项技术使可操作的多天预测成为可能,为管理的个性化和主动干预铺平了道路.