% 0期刊文章% Erik Kaestner %小君饶%一个艾伦j . Chang %钟艾琳王%西蒙·s·凯勒罗宾·m . Busch % % Theodor红的% Daniel l . Drane Ezequiel Gleichgerrcht %特拉维斯Stoub % %一个凯尔Hasenstab莱昂纳多Bonilha % %凯莉麦克唐纳% T卷积神经网络算法来确定偏侧性癫痫发作的癫痫患者% B理论水平研究% D R 10.1212 / WNL 2023%。0000000000207411 % J首页神经病学% P e324-e335 % V 101% N 3% X背景和目标的包容是诊断放射学的新边疆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。 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 %U //www.ez-admanager.com/content/neurology/101/3/e324.full.pdf