A carregar...
Publicação
Machine Learning-Based Identification of Epileptogenic Tissue for Intraoperative Decision Support
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.17 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Approximately 30% of people with an epilepsy diagnosis are recommended for
epilepsy surgery, after not achieving seizure freedom with anti-epileptic drugs (AEDs).
This procedure requires a pre-surgical evaluation and an intraoperative Electrocorticogra-
phy (ioECoG) analysis, in order to accurately confirm the tissue to be resected. Nowadays,
these signals are visually inspected by surgeons, which is an arduous task, and prone
to individual bias. Thus, this dissertation aims to create an automated solution to aid
surgeons in analysing ioECoG signals during epilepsy surgery and ultimately decide on
the tissues to resect, by providing them with a signal classification of either healthy or
pathological, and its probability of pathology.
To accomplish this, feature engineering and extraction were performed, to obtain the
most informative features to classify epileptiform activity segments. These features were
then used as input to train and test several Machine Learning (ML) models on an external
labelled dataset, to discover the best one for distinguishing healthy and pathological
intracranial EEG (iEEG) signals - the Random Forest (RF) & Logistic Regression (LR)
combination. This ML architecture was then analysed regarding its transparency and used
to assign classifications to a dataset of ioECoG segments and calculate their probabilities
of being pathological. Consequently, signal classifications and pathological probabilities
were calculated.
Regarding the results, the important features obtained were mostly from the time-
frequency domain and include novelty features. Moreover, the chosen ML architecture
achieved an accuracy of 94.2% and area under the curve (AUC) of 0.975 when tested on
unseen external data. Finally, regarding the ioECoG dataset, the model managed to identify
discriminative patterns to assign classifications and probability values to segments.
The abovementioned strategies, alongside their results, prove ML solutions can be help-
ful for surgeons in the context of epilepsy surgery, by automatically distinguishing healthy
from pathological tissues, while displaying results in an interpretable way, encouraging
informed decisions during this procedure.
Aproximadamente 30% das pessoas com diagnóstico de epilepsia são recomendadas para cirurgia para epilepsia, por não alcançarem ausência de convulsões com medicação antiepiléptica. Este procedimento requer uma avaliação pré-cirúrgica e uma análise de Eletrocorticografia intraoperatória (ioECoG) para determinar o tecido a ser removido. Atualmente, estes sinais são avaliados visualmente pelos cirurgiões, uma tarefa difícil sujeita a viés. Assim, esta dissertação visa criar uma solução automática para ajudar os cirurgiões a analisar os sinais de ioECoG durante a cirurgia e a decidir que tecidos remover, classificando cada sinal como saudável ou patológico e fornecendo a probabilidade do sinal ser patológico. Para tal, efetuou-se a descoberta e extração de características, determinando-se as mais informativas para classificar segmentos epileptiformes. Estas características foram usadas para treinar e testar diferentes arquiteturas de aprendizagem automática (AA) com dados externos, para determinar a melhor a distinguir sinais de Eletroencefalografia intracraniana (iEEG) saudáveis e patológicos - a combinação de Random Forest & Logistic Regression. Esta foi analisada quanto à sua transparência e usada para classificar segmentos da base de dados de ioECoG e calcular a probabilidade de serem patológicos. Consequentemente, determinaram-se as classificações e probabilidades dos sinais serem patológicos. As características importantes obtidas foram maioritariamente do domínio tempo- frequência, incluindo características novas. Além disso, o modelo escolhido atingiu uma exatidão de 94.2% e uma area under the curve de 0.975, quando testado com sinais de iEEG previamente não utilizados. Para os dados de ioECoG, o modelo identificou padrões discriminativos para atribuir classificações e valores de probabilidade aos segmentos. As estratégias aplicadas, e os seus resultados, comprovam a utilidade de soluções de AA para cirurgiões no contexto de cirurgia para epilepsia, ao distinguirem automaticamente tecidos saudáveis de epileptiformes, mostrando estes resultados de forma interpretável e possibilitando a tomada de decisões informadas durante este procedimento.
Aproximadamente 30% das pessoas com diagnóstico de epilepsia são recomendadas para cirurgia para epilepsia, por não alcançarem ausência de convulsões com medicação antiepiléptica. Este procedimento requer uma avaliação pré-cirúrgica e uma análise de Eletrocorticografia intraoperatória (ioECoG) para determinar o tecido a ser removido. Atualmente, estes sinais são avaliados visualmente pelos cirurgiões, uma tarefa difícil sujeita a viés. Assim, esta dissertação visa criar uma solução automática para ajudar os cirurgiões a analisar os sinais de ioECoG durante a cirurgia e a decidir que tecidos remover, classificando cada sinal como saudável ou patológico e fornecendo a probabilidade do sinal ser patológico. Para tal, efetuou-se a descoberta e extração de características, determinando-se as mais informativas para classificar segmentos epileptiformes. Estas características foram usadas para treinar e testar diferentes arquiteturas de aprendizagem automática (AA) com dados externos, para determinar a melhor a distinguir sinais de Eletroencefalografia intracraniana (iEEG) saudáveis e patológicos - a combinação de Random Forest & Logistic Regression. Esta foi analisada quanto à sua transparência e usada para classificar segmentos da base de dados de ioECoG e calcular a probabilidade de serem patológicos. Consequentemente, determinaram-se as classificações e probabilidades dos sinais serem patológicos. As características importantes obtidas foram maioritariamente do domínio tempo- frequência, incluindo características novas. Além disso, o modelo escolhido atingiu uma exatidão de 94.2% e uma area under the curve de 0.975, quando testado com sinais de iEEG previamente não utilizados. Para os dados de ioECoG, o modelo identificou padrões discriminativos para atribuir classificações e valores de probabilidade aos segmentos. As estratégias aplicadas, e os seus resultados, comprovam a utilidade de soluções de AA para cirurgiões no contexto de cirurgia para epilepsia, ao distinguirem automaticamente tecidos saudáveis de epileptiformes, mostrando estes resultados de forma interpretável e possibilitando a tomada de decisões informadas durante este procedimento.
Descrição
Palavras-chave
Epilepsy Epilepsy surgery Epileptiform tissue ioECoG Machine Learning