Die Studie untersucht verschiedene Deep-Learning-Ansätze zur effizienten Lokalisierung der Anfallsursprungszone (Seizure Onset Zone, SOZ) aus Einzelpuls-elektrischer Stimulation (Single Pulse Electrical Stimulation, SPES) von Hirngewebe bei Epilepsiepatienten.
Zunächst wird ein bestehendes CNN-Modell angepasst, um divergente und konvergente Analyseparadigmen zu vergleichen. Der konvergente Ansatz, der die Reaktionen auf Stimulation an anderen Orten analysiert, zeigt eine deutliche Verbesserung der AUROC-Werte von 0.574 auf 0.666 im Vergleich zum divergenten Ansatz.
Anschließend werden Transformer-Modelle mit Aufmerksamkeitsmechanismen über Kanäle hinweg eingeführt. Diese Transformer-Modelle übertreffen die CNN-Ansätze mit einer AUROC von 0.730 und zeigen eine hohe Robustheit gegenüber unterschiedlichen Elektrodenplatzierungen.
Um die Leistung weiter zu verbessern, werden zusätzliche Merkmale wie die Variabilität zwischen Einzelversuchen in die Transformer-Modelle integriert. Dadurch steigt die AUROC auf 0.745, was auf eine erhöhte Konsistenz der Vorhersagen über verschiedene Patienten hinweg hindeutet.
Diese Ergebnisse stellen einen wichtigen Schritt in Richtung einer effizienteren Modellierung patientenspezifischer, heterogener intrakranieller EEG-Daten für die Lokalisierung der Anfallsursprungszone dar und ebnen den Weg für den Einsatz in klinischen Entscheidungsprozessen.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Jamie Norris... at arxiv.org 04-01-2024
https://arxiv.org/pdf/2403.20324.pdfDeeper Inquiries