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

📄 arXiv: 2403.20324v3 📥 PDF

作者: Jamie Norris, Aswin Chari, Dorien van Blooijs, Gerald Cooray, Karl Friston, Martin Tisdall, Richard Rosch

分类: cs.LG, eess.SP, q-bio.NC

发布日期: 2024-03-29 (更新: 2024-08-27)

备注: 21 pages, 6 figures, accepted at Machine Learning for Healthcare 2024

💡 一句话要点

利用CNN Transformer从单脉冲电刺激响应中定位癫痫发作起始区

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 癫痫定位 深度学习 单脉冲电刺激 CNN Transformer 跨通道注意力 临床应用 电极布局 神经科学

📋 核心要点

  1. 癫痫的发作起始区定位仍然是临床中的一大挑战，现有方法的准确性不足，影响手术效果。
  2. 本研究提出利用深度学习模型，比较发散性和汇聚性两种SPES分析范式，以提高SOZ的定位精度。
  3. 实验结果显示，汇聚性方法的AUROC从0.574提升至0.666，采用CNN Transformer后进一步提升至0.730，显著改善了定位效果。

📝 摘要（中文）

癫痫是常见的神经系统疾病，通常在药物治疗无效时需要外科手术。精确定位癫痫病灶，尤其是癫痫发作起始区（SOZ），对手术效果至关重要。本文通过深度学习技术，利用单脉冲电刺激（SPES）响应进行SOZ定位，提出了两项重要贡献。首先，比较了两种SPES分析范式的有效性，结果表明从发散性到汇聚性方法的转变显著提高了模型的性能。其次，采用具有跨通道注意力机制的CNN Transformer，进一步提升了模型的准确性。这些研究为个体化的脑内电极布局建模提供了重要进展，并为未来临床决策提供了潜在的应用基础。

🔬 方法详解

问题定义：本文旨在解决癫痫发作起始区（SOZ）定位的准确性问题，现有的电刺激分析方法在不同患者和电极布局下表现不佳，导致手术效果不理想。

核心思路：通过深度学习技术，比较发散性和汇聚性两种SPES分析范式，利用CNN Transformer模型处理异构电极布局，以提高SOZ定位的准确性和泛化能力。

技术框架：研究首先实现了现有深度学习模型，评估两种分析范式的有效性。接着，采用CNN Transformer引入跨通道注意力机制，处理不同电极布局的复杂性，最后通过持出测试集验证模型的泛化能力。

关键创新：首次在SOZ定位中应用汇聚性分析范式，显著提高了模型的AUROC值，且通过CNN Transformer的设计有效处理了电极布局的异质性。

关键设计：模型采用了特定的损失函数和网络结构，优化了跨通道注意力机制的参数设置，以增强模型对不同电极信号的响应能力。实验中，AUROC从发散性方法的0.574提升至汇聚性方法的0.666，再到CNN Transformer的0.730。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，采用汇聚性分析范式后，AUROC从0.574提升至0.666，进一步使用CNN Transformer后，AUROC达到了0.730，表明该方法在SOZ定位上具有显著的性能提升，首次实现了在此领域的有效应用。

🎯 应用场景

该研究的成果可广泛应用于癫痫外科手术前的病灶定位，帮助医生更准确地识别癫痫发作起始区，从而提高手术成功率。此外，未来的工作将探索将这些深度学习模型整合进临床决策流程，推动深度学习研究与实际医疗应用的结合。

📄 摘要（原文）

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.