|
|
Graph Neural Networks in Epilepsy Surgery
Hrtonová, Valentina ; Filipenská, Marina ; Klimeš, Petr
Epilepsy surgery presents a viable treatment option for patients with drug-resistant epilepsy, necessitating precise localization of the epileptogenic zone (EZ) for optimal outcomes. As the limitations of currently used localization methods lead to a seizure-free postsurgical outcome only in about 60% of cases, this study introduces a novel approach to EZ localization by leveraging Graph Neural Networks (GNNs) for the analysis of interictal stereoelectroencephalography (SEEG) data. A GraphSAGE-based model for identifying resected seizure-onset zone (SOZ) electrode contacts was applied to a clinical dataset comprising 17 patients from two institutions. This study uniquely focuses on the use of interictal SEEG recordings, aiming to streamline the presurgical monitoring process and minimize risks and costs associated with prolonged SEEG monitoring. Through this innovative approach, the GNN model demonstrated promising results, achieving an Area Under the Receiver Operating Characteristic (AUROC) score of 0.830 and an Area Under the Precision-Recall Curve (AUPRC) of 0.432. These outcomes along with the potential of GNNs in leveraging the patient-specific electrode placement highlight their potential in enhancing the accuracy of EZ localization in drug-resistant epilepsy patients.
|
|
|
Graph Neural Networks in Epilepsy Surgery
Hrtoňová, Valentina ; MSc, Daniel Uher, (referee) ; Filipenská, Marina (advisor)
Úspěch epileptochirurgického zákroku závisí na přesné lokalizaci epileptogenní zóny (EZ), avšak pouze 60% pacientů je po operaci bez záchvatů, což je často způsobeno nepřesnou identifikací EZ. Tato práce představuje novou metodu lokalizace EZ využívající grafové neuronové sítě (GNN) k analýze interiktálních biomarkerů - konkrétně interiktálních spiků a relativní entropie. Modely GNN byly využity pro lokalizaci kontaktů elektrod v resekované zóně vzniku záchvatu na základě dat z interiktální stereoelektroencefalografie a validovány na souboru klinických dat 37 pacientů ze dvou institucí. Nejlépe hodnocený model GNN - Graph Attention Network - dosáhl mediánu Area Under the Receiver Operating Characteristic (AUROC) 0,971 a mediánu Area Under the Precision-Recall Curve (AUPRC) 0,525 v souboru 19 pacientů s dobrým pooperačním výsledkem, přičemž v obou metrikách statisticky významně překonal referenční model založený na četnosti spiků (Wilcoxon Signed Rank test, p
|
|
|
Identification of epileptogenic neocortical areas by analysis of spatial distribution of interictal discharges
Janča, R. ; Kršek, P. ; Ježdík, P. ; Čmejla, R. ; Tomášek, M. ; Elišák, M. ; Jefferys, J. G. R. ; Jahodová, A. ; Komárek, V. ; Marusič, P. ; Jiruška, Přemysl
Algorithm utilizing principal component analysis was developed to analyze spatial distribution of interictal epileptiform discharges. This technique enables to seaprate interictal discharges into functionally significant clusters. Cluster properties can be used to identify epileptogenic components of the irritative zone
|
guest ::
