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

要約

てんかんは最も一般的な神経疾患の 1 つであり、薬物療法で発作を制御できない場合には外科的介入が必要になることがよくあります。
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。
私たちの研究は、シングルパルス電気刺激 (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前進させるものであり、2 つの重要な貢献があります。
まず、既存の深層学習モデルを実装して、発散型と収束型の 2 つの SPES 分析パラダイムを比較します。
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。
我々は、保持されたテストセットを使用して、未確認の患者および電極配置に対するこれらのモデルの一般化可能性を評価します。
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クロスチャネル注意を備えた CNN トランスフォーマーの有効性を実証し、AUROC を 0.730 に増加させます。
これらの発見は、SPES における患者固有の頭蓋内 EEG 電極配置のモデル化における重要なステップを表しています。
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, often requiring 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. Our study advances the application of deep learning for SOZ localisation using Single-Pulse Electrical Stimulation (SPES) responses, with two key contributions. Firstly, we implement an existing deep learning model to compare two SPES analysis paradigms: divergent and convergent. These paradigms evaluate outward and inward effective connections, respectively. We assess the generalisability of these models to unseen patients and electrode placements using held-out test sets. 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 CNN Transformers with cross-channel attention in handling heterogeneous electrode placements, increasing the AUROC to 0.730. These findings 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