@article {Kaestnere324作者= {Erik Kaestner小君饶和艾伦·j . Chang钟艾琳王罗宾·m·布希和西蒙·s·凯勒西奥多·R {\ " u}数量和Daniel l . Drane和特拉维斯Stoub Ezequiel Gleichgerrcht和莱昂纳多Bonilha凯尔复燃和凯莉麦克唐纳},title ={卷积神经网络算法来确定偏侧性癫痫发作的癫痫患者},体积={101}={3},页面= {e324——e335} = {2023}, doi = {10.1212 / WNL。出版商0000000000207411}= {Wolters Kluwer健康,公司代表美国神经病学学会},文摘={背景和目标的包容是诊断放射学的新边疆machine-assisted支持工具,首页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。方法使用一个数据集的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能否发作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个运行,CNN模型与临床医生平均偏侧优势整合78 \ % (SD = 5.1 \ %)的运行表现最好的模型实现89 \ %的一致性。CNN优于随机模型(51.7的平均一致性\ %)100 \ %的运行平均提高26.2 \ %和表现海马体积模型(71.7的平均一致性\ %)85 \ %的运行平均提高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。 This proof-of-concept study illustrates that a CNN applied to structural MRI data can visually aid clinician-led localization of epileptogenic zone and identify extrahippocampal regions that may require additional radiologic attention.Classification of Evidence This study provides Class II evidence that in patients with drug-resistant unilateral temporal lobe epilepsy, a convolutional neural network algorithm derived from T1-weighted MRI can correctly classify seizure laterality.ASMs=antiseizure medications; AUC=area under the curve; CNN=convolutional neural network; ML=machine learning; MTS=mesial temporal sclerosis; TLE=temporal lobe epilepsy; VBM=voxel-based morphometry}, issn = {0028-3878}, URL = {//www.ez-admanager.com/content/101/3/e324}, eprint = {//www.ez-admanager.com/content/101/3/e324.full.pdf}, journal = {Neurology} }