将深度学习与专家知识结合用于小儿抗药性癫痫的静息态功能磁共振癫痫起始区定位
结合专家指导和深度学习技术,通过静息态功能磁共振成像(rs-fMRI)连接组学对难治性癫痫患者的发作起始区(SOZ)进行评估,结果显示,集成了专家知识的深度网络可以提高 SOZ 定位的准确性,并且这种集成能够对 SOZ 中普遍存在的协同激活模式提供有用的解释。
Dec, 2023
这篇论文介绍了使用单脉冲电刺激(SPES)响应来进行癫痫发生区(SOZ)定位的深度学习应用,通过引入具有跨通道注意力的 Transformer 模型,在持有的患者测试数据集上评估其对未知患者和电极放置位置的泛化能力,表明转从发散方法(AUROC:0.574)到收敛方法(AUROC:0.666)能够显著改善定位效果,并展示了 Transformer 模型在处理异构电极放置方面的有效性,使 AUROC 提高至 0.730,最后通过考虑试验间变异性进一步优化 Transformer 模型,达到 AUROC 0.745,增强了患者之间的一致性预测,这些进展为 SOZ 定位提供了更深入的了解,并在 SPES 中对患者特异性的颅内脑电电极放置建模方面迈出了重要的一步。未来的工作将探索将这些模型整合到临床决策过程中,将深度学习研究与实际的医疗应用桥接起来。
Mar, 2024
研究开发了基于模型和基于数据的估计器,用于直接推断脑电层析图(ECoG)信号之间的因果连通性图,并在癫痫患者中识别癫痫发作区(SOZ)。通过验证其在模拟数据上的表现,利用所提出的 DI 估计器推断了五名癫痫患者的 ECoG 电极之间的因果连通性,并提出了一种基于模型和基于数据的 SOZ 识别算法来识别 SOZ,其中基于数据的 SOZ 识别优于基于模型的 SOZ 识别算法。
Dec, 2015
基于静息态功能磁共振成像 (rs-fMRI) 的深度学习模型被广泛应用于诊断脑疾病,尤其是自闭症谱系障碍 (ASD)。本文提出了一种新颖的可解释的感兴趣区域 (ROI) 选择框架(EAG-RS),通过利用可解释的人工智能技术识别脑区之间的非线性高阶功能关联,并选择具有类别区分能力的脑区进行脑疾病识别。通过使用自闭症脑成像数据库交换(ABIDE)数据集进行实验证实了我们提出方法的有效性,证明其在各种评估指标上优于其他比较方法。此外,我们对选定的感兴趣区域进行定性分析,并鉴别与先前神经科学研究相关的 ASD 亚型。
Oct, 2023
本研究通过使用 TUH EEG Seizure Corpus 数据集,评估了一种新型的循环卷积神经网络,该网络在每 24 小时内的假警报率为 7 次,灵敏度达到 30%。研究表明,深度学习结构集成空间和时间信息对于达到最先进的表现至关重要,并将推动出一代临床可接受的技术。
Dec, 2017
该研究提出了一种新的、综合的框架,通过评估机器学习算法在包含脑电图信号的单模神经成像数据上的表现,来预测儿科患者的癫痫发作。结果显示,深度学习算法在预测癫痫发作方面比逻辑回归和 K 最近邻更成功,循环神经网络(RNN)在精确度和 F1 分数上表现最好,长短期记忆(LSTM)在准确度上超过了 RNN,卷积神经网络(CNN)在特异度上表现最高。该研究对于卫生保健提供者在积极管理儿科患者癫痫发作方面具有重要意义,有可能改变临床实践,并改善儿科护理。
Sep, 2023
本研究提出并评估了深度神经网络从 EEG 中学习稳健特征以自动检测癫痫的能力,通过同时捕获频谱、时间和空间信息,我们的循环卷积神经网络学习了癫痫的空间不变表示。该方法在交叉患者分类器上的结果显著优于先前的结果,具有较高的灵敏度和低的假阳性率。此外,我们的模型对于缺失通道和不同的电极配置也表现出稳健性。
Jul, 2016
本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述,描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法,分析了使用深度学习的康复系统,并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性,最后提出了最有前景的深度学习模型和未来可能的研究方向。
Jul, 2020
基于可解释深度学习模型的新生儿癫痫自动检测方法,具有实时可解释性,对于 Zenodo 数据集的性能评估中,该模型在曲线下面积(AUC)和召回率方面分别实现了 8.31% 和 42.86% 的绝对改进。
Jun, 2024