基于脑电图的图深度学习用于预测癫痫患者的癫痫自由状态
机器学习
2025-02-24 v1 信号处理
神经元与认知
摘要
预测癫痫患者是否能实现癫痫自由状态对于制定个体化治疗方案至关重要，但传统方法在面对不同患者群体时仍具挑战。本研究开发了一种基于图神经网络(GNN)的深度学习模型，用于预测难治性癫痫患者从立体脑电图(sEEG)数据中获得的癫痫自由状态。我们利用来自 15 名儿童患者的高质量 sEEG 数据训练深度学习模型，准确预测癫痫自由结果，并深化对癫痫发作区脑连接性的理解。该模型整合了局部和全局连接性，使用带多尺度注意力机制的图卷积捕获难以研究区域（如丘脑和运动区域）之间的连接。模型在二分类分析中达到 92.4% 的准确率，在患者层面分析中达到 86.6%，在多分类分析中达到 81.4%。节点和边缘级特征分析识别出前额皮层和前额斜角区域是癫痫自由结果的关键贡献者。本模型识别的节点还更可能与癫痫发作区重合。我们的发现凸显了基于连接性的深度学习模型（如 GNN）在提高癫痫自由预测、预测癫痫发作区、癫痫期间脑连接性分析，以及为 AI 辅助个体化癫痫治疗规划提供潜在价值。
引用
@article{arxiv.2502.15198,
title = {Graph-Based Deep Learning on Stereo EEG for Predicting Seizure Freedom in Epilepsy Patients},
author = {Artur Agaronyan and Syeda Abeera Amir and Nunthasiri Wittayanakorn and John Schreiber and Marius G. Linguraru and William Gaillard and Chima Oluigbo and Syed Muhammad Anwar},
journal= {arXiv preprint arXiv:2502.15198},
year = {2025}
}