相关实验视频
Updated: Jul 16, 2026
Performing Behavioral Tasks in Subjects with Intracranial Electrodes
Published on: October 2, 2014
使用深度学习和神经成像定位发性区域:系统性审查
Petros Koutsouvelis1, Sven J E Ermans2, Leroy Volmer1
1Department of Radiation Oncology (Maastro), GROW Research Institute for Oncology and Reproduction, Maastricht University Medical Centre+, Maastricht, The Netherlands.
深度学习 (DL) 对在耐药性中定位发性区域 (EZ) 具有前景. 然而,目前的研究面临着方法上的限制和偏见,阻碍了临床翻译,需要标准化的评估和先进的DL技术.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 的研究研究.
背景情况:
- 深度学习 (DL) 提供了识别发性区域 (EZ) 的潜力,以改善耐药性的手术结果.
- 从神经成像数据中对EZ定位中的DL应用进行系统审查.
研究的目的:
- 综合DL辅助EZ定位的证据.
- 确定方法的趋势,局限性和未来的方向.
- 弥合临床翻译与技术进步之间的差距.
主要方法:
- 在PubMed,Scopus和Embase的系统文献搜索.
- 使用PROBAST+AI工具评估研究偏差和适用性.
- 提取方法细节和绩效指标.
主要成果:
- 审查了36项研究,主要通过结构性MRI对性病变进行细分.
- 焦点皮层发育不良是最常见的目标;完全卷积网络是占主导地位的DL架构.
- 三分之二的研究具有高偏差风险和有限的临床适用性;细粒度局部化进展中等.
结论:
- 方法上的局限性阻碍了DL用于EZ定位的临床翻译.
- 为解决发现的局限性提供建议.
- 未来的工作应侧重于标准化评估,不确定性量化,基础模型和合成数据.
更多相关视频
09:00Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex
Published on: April 15, 2015
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
