一个全面的,由医生训练的算法,以删除长期内脑电图中的人工假阳性高频振荡

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 的研究研究.

背景情况:

• 高频振荡 (HFO) 是的敏感生物标志物.
• 自动化HFO检测方法通常由于EEG工件导致错误的阳性结果.
• 临床医生可以在视觉上区分人工HFO,但这对于自动化系统来说是不可扩展的.

研究的目的:

• 开发和验证用于高频振荡 (HFO) 的自动化文物探测器.
• 用专家临床医生标记创建HFO标签的新黄金标准.
• 提高患者HFO检测的准确性和可靠性.

主要方法:

• 临床医生标记了来自35名患者的8000个内EEG事件,作为来自大脑或人造的.
• 监督学习分类器使用从内EEG数据中提取的特征进行训练.
• 密歇根内人工物过器 (MIAF) 是使用对内数据的二进制逻辑回归来开发的.

主要成果:

• MIAF显著提高了HFO检测的积极预测值,从86%提高到98%.
• 实现了高性能,曲线下面积 (AUC) 为99% (精度回忆) 和92% (ROC).
• 在大多数患者中,HFO与发作区域/切除体积之间的相关性得到改善.

结论:

• MIAF有效地过了虚假阳性HFO检测,同时保留了真实阳性.
• 过器依赖于原始的内数据,可以轻松与其他HFO检测系统集成.
• 这种工具增强了HFO作为生物标志物的临床实用性.