Reproducibility of<scp>EEG‐MEG</scp>fusion source analysis of interictal spikes: Relevance in presurgical evaluation of epilepsy
Notice bibliographique
Résumé
Fusion of electroencephalography (EEG) and magnetoencephalography (MEG) data using maximum entropy on the mean method (MEM-fusion) takes advantage of the complementarities between EEG and MEG to improve localization accuracy. Simulation studies demonstrated MEM-fusion to be robust especially in noisy conditions such as single spike source localizations (SSSL). Our objective was to assess the reliability of SSSL using MEM-fusion on clinical data. We proposed to cluster SSSL results to find the most reliable and consistent source map from the reconstructed sources, the so-called consensus map. Thirty-four types of interictal epileptic discharges (IEDs) were analyzed from 26 patients with well-defined epileptogenic focus. SSSLs were performed on EEG, MEG, and fusion data and consensus maps were estimated using hierarchical clustering. Qualitative (spike-to-spike reproducibility rate, SSR) and quantitative (localization error and spatial dispersion) assessments were performed using the epileptogenic focus as clinical reference. Fusion SSSL provided significantly better results than EEG or MEG alone. Fusion found at least one cluster concordant with the clinical reference in all cases. This concordant cluster was always the one involving the highest number of spikes. Fusion yielded highest reproducibility (SSR EEG = 55%, MEG = 71%, fusion = 90%) and lowest localization error. Also, using only few channels from either modality (21EEG + 272MEG or 54EEG + 25MEG) was sufficient to reach accurate fusion. MEM-fusion with consensus map approach provides an objective way of finding the most reliable and concordant generators of IEDs. We, therefore, suggest the pertinence of SSSL using MEM-fusion as a valuable clinical tool for presurgical evaluation of epilepsy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».