使用CNN Transformer从单脉冲电刺激响应定位癫痫发作起始区
机器学习
2024-08-28 v3 信号处理
神经元与认知
摘要
癫痫是最常见的神经系统疾病之一，当药物无法控制发作时通常需要手术干预。为了有效的手术结果，精确定位癫痫灶——通常通过癫痫发作起始区（SOZ）近似——至关重要，但仍然是一个挑战。通过电刺激进行主动探测已经是识别癫痫灶的标准临床实践。我们的研究推进了深度学习在SOZ定位中的应用，使用单脉冲电刺激（SPES）响应，有两个关键贡献。首先，我们实现了一个现有的深度学习模型来比较两种SPES分析范式：发散和收敛。这些范式分别评估外向和内向的有效连接。我们使用保留测试集评估这些模型对未见患者和电极放置的泛化能力。我们的发现显示从发散方法（AUROC: 0.574）到收敛方法（AUROC: 0.666）有显著改进，这是后者在此背景下的首次应用。其次，我们展示了具有跨通道注意力的CNN Transformer在处理异质电极放置方面的有效性，将AUROC提高到0.730。这些发现代表了在SPES中建模患者特异性颅内脑电图电极放置的重要一步。未来工作将探索将这些模型整合到临床决策过程中，以弥合深度学习研究与实际医疗应用之间的差距。
引用
@article{arxiv.2403.20324,
title = {Localising the Seizure Onset Zone from Single-Pulse Electrical Stimulation Responses with a CNN Transformer},
author = {Jamie Norris and Aswin Chari and Dorien van Blooijs and Gerald Cooray and Karl Friston and Martin Tisdall and Richard Rosch},
journal= {arXiv preprint arXiv:2403.20324},
year = {2024}
}
备注
21 pages, 6 figures, accepted at Machine Learning for Healthcare 2024