卷积神经网络算法来确定偏侧性癫痫发作的癫痫患者
理论水平研究
做出评论
看到评论
这篇文章需要订阅查看全文。如果你有一个订阅你可以用下面的登录表单查看文章。这篇文章也可以购买。
文摘
背景和目标诊断放射学的新边疆的包容machine-assisted支持工具,促进细微病变的识别通常人眼不可见。结构神经影像中扮演着重要的角色在癫痫患者病变的鉴别,通常配合癫痫的焦点。在这项研究中,我们探索潜在的卷积神经网络(CNN)来确定偏侧性癫痫发作的癫痫患者使用t1加权结构核磁共振扫描作为输入。
方法使用数据集的359例颞叶癫痫(框架)从7外科中心,我们测试了基于t1影像的CNN能否扣押一侧进行分类整合与临床团队共识。CNN与随机模型(与机会)和海马体积逻辑回归(比较与当前临床可用的措施)。此外,我们利用一个CNN特性可视化技术来识别区域用于分类的病人。
结果在100年运行,CNN模型整合了临床医生偏侧性平均78% (SD = 5.1%)表现最好的运行模式实现89%的一致性。CNN优于随机模型的100%(51.7%)的平均一致性运行平均提高26.2%,表现优于海马体积模型的85%(71.7%)的平均一致性运行平均提高6.25%。特征可视化地图显示,除了内侧颞叶,地区外侧颞叶,扣带、中央前回辅助分类。
讨论这些extratemporal叶特性强调全脑模型的重要性,强调地区值得临床医生在颞叶癫痫偏侧性审查。这个概念验证研究说明CNN应用于结构的MRI数据可以直观地援助clinician-led病灶定位和识别extrahippocampal区域可能需要额外的放射的注意。
证据的分类本研究二类提供证据证明耐药患者单侧颞叶癫痫、卷积神经网络算法来源于t1加权磁共振成像可以正确地分类发作一侧。
术语表
- asm=
- 抗癫痫药物;
- AUC=
- 曲线下的面积;
- 美国有线电视新闻网=
- 卷积神经网络;
- 毫升=
- 机器学习;
- MTS=
- 内侧颞硬化;
- 框架=
- 颞叶癫痫;
- VBM=
- 分布形态测量学
脚注
去首页Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
提交和外部同行评议。处理编辑器是芭芭拉·Jobst副主编,医学博士,博士FAAN。
类的证据:NPub.org/coe
- 收到了2022年9月1日。
- 接受的最终形式2023年3月30日。
- 188金宝搏官网登录
寻求帮助,请联系:
河畔成员(800)879 - 1960或(612)928 - 6000(国际)
Non-AAN会员用户(800)638 - 3030或(301)223 - 2300选项3,选择1(国际)
报名
信息订阅神经病学和神经学:临床实践中可以找到首页在这里
购买
个人访问的文章可以通过这篇文章页面上加入购物车选项。获得1天(从您目前正在使用的计算机)是39.00美元。按次计费的内容仅供使用收款人和内容可能不会进一步分布式打印或电子手段。收款人可以查看、下载或打印文章为他/她的个人、学术研究和教学使用。分发副本(电子或其他方式)的文章是不允许的。