Localising the Seizure Onset Zone from Single-Pulse Electrical Stimulation Responses with a Transformer

要約

てんかんは最も一般的な神経疾患の 1 つであり、薬で発作を制御できない場合、多くの患者が外科的介入を必要とします。
効果的な手術結果を得るには、多くの場合、発作開始ゾーン (SOZ) を通じて近似される、てんかん発生巣の正確な位置特定が重要ですが、依然として課題が残っています。
電気刺激によるアクティブプロービングは、てんかん誘発領域を特定するための標準的な臨床実践としてすでに行われています。
この論文は、単一パルス電気刺激 (SPES) 応答を使用した SOZ 位置特定のための深層学習の応用を推進します。
私たちは、クロスチャネルの注意を組み込んだ Transformer モデルを導入することでこれを実現します。
私たちはこれらのモデルを患者のテストセットで評価し、目に見えない患者や電極の配置に対する一般性を評価します。
私たちの研究は 3 つの重要な貢献をしています。 まず、既存の深層学習モデルを実装して、2 つの SPES 分析パラダイム、つまり発散と収束を比較します。
これらのパラダイムは、それぞれ外側と内側の効果的な接続を評価します。
私たちの調査結果では、発散アプローチ (AUROC: 0.574) から収束アプローチ (AUROC: 0.666) への移行において顕著な改善が見られ、この文脈において後者のアプローチが初めて適用されたことを示しています。
次に、異種電極配置の処理における Transformer モデルの有効性を実証し、AUROC を 0.730 に増加させます。
最後に、試験間の変動を組み込むことで、AUROC が 0.745 になるように Transformer モデルをさらに改良し、患者全体でより一貫した予測が得られます。
これらの進歩により、SOZ の局在化についてのより深い洞察が得られ、SPES における患者固有の頭蓋内 EEG 電極配置のモデリングにおける重要なステップとなります。
今後の研究では、これらのモデルを臨床意思決定プロセスに統合して、深層学習研究と実際の医療アプリケーションの間のギャップを埋めることを検討します。

要約(オリジナル)

Epilepsy is one of the most common neurological disorders, and many patients require surgical intervention when medication fails to control seizures. For effective surgical outcomes, precise localisation of the epileptogenic focus – often approximated through the Seizure Onset Zone (SOZ) – is critical yet remains a challenge. Active probing through electrical stimulation is already standard clinical practice for identifying epileptogenic areas. This paper advances the application of deep learning for SOZ localisation using Single Pulse Electrical Stimulation (SPES) responses. We achieve this by introducing Transformer models that incorporate cross-channel attention. We evaluate these models on held-out patient test sets to assess their generalisability to unseen patients and electrode placements. Our study makes three key contributions: Firstly, we implement an existing deep learning model to compare two SPES analysis paradigms – namely, divergent and convergent. These paradigms evaluate outward and inward effective connections, respectively. Our findings reveal a notable improvement in moving from a divergent (AUROC: 0.574) to a convergent approach (AUROC: 0.666), marking the first application of the latter in this context. Secondly, we demonstrate the efficacy of the Transformer models in handling heterogeneous electrode placements, increasing the AUROC to 0.730. Lastly, by incorporating inter-trial variability, we further refine the Transformer models, with an AUROC of 0.745, yielding more consistent predictions across patients. These advancements provide a deeper insight into SOZ localisation and represent a significant step in modelling patient-specific intracranial EEG electrode placements in SPES. Future work will explore integrating these models into clinical decision-making processes to bridge the gap between deep learning research and practical healthcare applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google