XiaoMi-AI文件搜索系统
World File Search System致痫
互补的结构和功能异常定位致痫组织
较新的定量方法可以辅助临床上使用的传统定性方法，并减轻无益的人为偏见。使用定量技术，癫痫患者可能通过不同的方式检测到异常，包括 MRI、5 – 8 EEG、9 – 11 MEG、12、13 和弥散加权 MRI (dMRI)。14 – 18 这些异常的数量、程度和位置已被证明与手术结果有关。10、11、19 – 21 此外，不同的方式可以提供互补的信息，因此多模态分析可以比单一方式有所改进。22 因此，结合多种方式的定量方法可能能够提高我们对癫痫发作、癫痫和手术失败原因的理解。大脑活动的电记录长期以来一直被用来识别与癫痫发作有关的大脑区域。这种识别通常涉及从发作数据中定位癫痫发作区域。最近，人们使用发作间期 iEEG 记录创建了健康大脑活动的常态图。10、11、23 这些图可以通过将每个患者与常态图进行比较来识别个体患者的异常情况。假设异常可能
用于根据癫痫发作症状可视化致痫区概率图的软件工具
约三分之一的癫痫对药物有抵抗力。对于这些患者，可以通过手术切除致痫区 (EZ)（大脑中引起癫痫发作的部分）来减少或治愈癫痫发作。如果非侵入性数据不足以确定侧向或定位，则可能需要通过精确植入颅内脑电图 (iEEG) 电极来定位致痫区。iEEG 目标的选择受到临床医生的经验和对文献的个人了解的影响，这导致不同癫痫中心的植入策略存在很大差异。基于文献中报告的回顾性临床病例的结果，客观工具可以建议致痫区的位置，从而支持和标准化手术计划的临床诊断途径。我们提出了一个开源软件工具，为临床医生提供直观的数据驱动可视化，以推断可能与致痫区重叠的致病区的位置。可能的 EZ 表示为覆盖在患者图像上的概率图，给出在该特定患者中观察到的癫痫症状列表。我们展示了一个案例研究，该研究基于我们单位接受治疗的一名患者的回顾性数据，该患者接受了切除性癫痫手术，并在术后 1 年内没有癫痫发作。被识别为 EZ 位置的切除脑结构与我们工具突出显示的区域重叠，证明了其潜在效用。
与癫痫发作和手术结果的关系
摘要 目的：虚拟癫痫患者（VEP）是一种基于虚拟脑技术的大规模大脑建模方法，使用立体脑电图（SEEG）、解剖数据（磁共振成像 [MRI] 和连接）和计算神经元模型来提供患者癫痫发作的计算机模拟。VEP 通过识别最有可能引发癫痫发作的区域，在药物耐药性癫痫的术前评估中具有潜在用途。我们旨在评估 VEP 方法在估计致痫区和预测手术结果方面的表现。方法：回顾性地在 53 名患有药物耐药性癫痫并有 SEEG、T1 加权 MRI 和弥散加权 MRI 的患者中应用 VEP 建模。精确回忆法用于比较 VEP 识别为致痫区 (EZ VEP ) 与临床分析结合致痫指数 (EI) 方法 (EZ C ) 定义的致痫区。在 28 名接受手术的患者中，我们将 VEP 结果和临床分析与手术结果进行了比较。结果：VEP 对 EZ VEP 检测的精确度为 64%，回忆率为 44%
BrainNet：使用分层图扩散学习从 SEEG 检测癫痫波
癫痫是最严重的神经系统疾病之一，影响着世界人口的 1-2%。癫痫的诊断在很大程度上取决于对癫痫波的识别，即患者大脑中紊乱的脑电波活动。现有的研究已经开始采用机器学习模型通过皮层脑电图 (EEG) 检测癫痫波，EEG 是指通过对患者头皮表面进行无创检查以记录大脑电活动而获得的大脑数据。然而，最近发展的立体脑电图 (SEEG) 方法提供比传统 EEG 更精确的立体信息，并且已广泛应用于临床实践。因此，在本文中，我们提出了第一个数据驱动的研究来在现实世界的 SEEG 数据集中检测癫痫波。SEEG 在提供新机遇的同时，也带来了一些挑战。在临床实践中，癫痫波活动被认为在大脑的不同区域之间传播。这些传播路径，也称为致痫网络，被视为癫痫手术中的关键因素。然而，如何为每位患者提取精确的致痫网络仍然是神经科学领域的一个悬而未决的问题。此外，癫痫波和 SEEG 数据的性质不可避免地会导致标签极度不平衡和严重噪声。为了应对这些挑战，我们提出了一个新模型（BrainNet），该模型联合学习动态扩散图并建模脑波扩散模式。此外，我们的模型通过采用多个自监督学习任务和分层框架，有效地帮助抵抗标签不平衡和严重噪声。通过对从多名患者获得的大量真实 SEEG 数据集进行实验，我们发现 BrainNet 的表现优于来自时间序列分析的几个最新的最先进基线。
深度学习在脑电图、磁共振成像和植入物中用于检测癫痫发作的应用：叙述
癫痫是一种以反复发作为特征的神经系统疾病，影响着全球数百万人。癫痫患者中医学上难以治愈的癫痫发作不仅对生活质量有害，而且对他们的安全构成重大威胁。通过在发作间期进行早期检测和干预，可以改善癫痫治疗的效果。脑电图是癫痫的主要诊断工具，但准确解释癫痫发作活动具有挑战性且非常耗时。机器学习 (ML) 和深度学习 (DL) 算法使我们能够分析复杂的 EEG 数据，这不仅可以帮助我们诊断，还可以定位致痫区并预测医疗和外科治疗结果。受视觉处理启发的卷积神经网络 (CNN) 等 DL 模型可用于对 EEG 活动进行分类。通过应用预处理技术，可以通过去噪和伪影去除来提高信号质量。DL 还可以纳入磁共振成像 (MRI) 数据的分析中，这有助于定位大脑中的致痫区。正确检测这些区域有助于获得良好的神经外科手术结果。深度学习的最新进展促进了这些系统在神经植入物和可穿戴设备中的应用，从而实现了实时癫痫发作检测。这有可能改变药物难治性癫痫的治疗。本综述探讨了机器学习和深度学习技术在脑电图 (EEG)、MRI 和可穿戴设备中用于癫痫发作检测的应用。本综述简要介绍了人工智能 (AI) 和深度学习的基础知识，强调了这些系统的潜在优势和不可否认的局限性。
一个深度学习框架来定位致癫痫的部位......
摘要 定位致痫区 (EZ) 是治疗药物难治性癫痫的关键步骤。静息态 fMRI (rs-fMRI) 通过捕捉大脑中动态发展的共激活模式（也称为连接）为这项任务提供了一个新的窗口。在这项工作中，我们提出了第一个自动化框架，该框架使用来自 rs-fMRI 的动态功能连接来定位异质性癫痫队列中的 EZ。我们的框架使用图卷积网络进行特征提取，然后使用变压器网络，其注意力机制可以学习 rs-fMRI 扫描的哪些时间点对于 EZ 定位很重要。我们在来自人类连接组项目的增强数据上训练我们的框架，并在临床癫痫数据集上对其进行评估。我们的结果证明了我们的卷积 + 变压器组合和数据增强程序相对于消融模型和比较模型的明显优势。
用于实时检测颅内脑电图中高频振荡 (HFO) 的电子神经形态系统
嵌入式设备可以在本地实时处理生物医学信号，因此临床研究和治疗应用的生物医学信号分析可以受益匪浅。一个例子是分析癫痫患者的颅内脑电图 (iEEG) 以检测高频振荡 (HFO)，这是致痫脑组织的生物标志物。混合信号神经形态电路提供了构建紧凑、低功耗神经网络处理系统的可能性，该系统可以实时在线分析数据。在这里，我们介绍了一种神经形态系统，该系统在同一芯片上结合了神经记录头端和脉冲神经网络 (SNN) 处理核心来处理 iEEG，并展示了它如何可靠地检测 HFO，从而实现最先进的准确性、灵敏度和特异性。这是首次使用混合信号神经形态计算技术实时识别 iEEG 中相关特征的可行性研究。
立体定向脑电图在脑机接口中的潜力：当前进展和未来方向
立体定向脑电图 (sEEG) 利用局部穿透深度电极来测量脑电生理活动。它最常用于识别难治性癫痫的致痫区。植入的电极通常提供一组独特脑区域的稀疏采样，包括海马体、杏仁核和岛叶等较深的脑结构，而这些结构无法通过皮层脑电图 (ECoG) 等浅层测量方式捕捉到。尽管临床应用重叠，且脑机接口 (BCI) 的 ECoG 解码方面也取得了最新进展，但迄今为止，sEEG 在 BCI 解码方面受到的关注相对较少。此外，相关深部脑刺激 (DBS) 植入物的成功预示着长期 sEEG 应用的潜力。本文概述了 sEEG 技术、BCI 相关研究以及 sEEG 在长期 BCI 应用中的未来发展方向。