Graph representations of iEEG data for seizure detection with graph neural networks
Notice bibliographique
Résumé
ABSTRACT Epilepsy is a neurological disorder that affects over 50 million individuals worldwide. Today, the gold-standard treatment for those who are drug resistant, meaning that symptoms cannot be controlled with medication, is to surgically remove the seizure onset zone (SOZ), the area of the brain believed to cause seizures: the main symptom of epilepsy. Unfortunately, around 50% of drug resistant patients are not resective candidates, which can be attributed in part to poor SOZ localization. SOZ localization is a complex and lengthy procedure, requiring visual inspection and manual processing by human experts that first need to localize and isolate seizure events. The intracranial electroencephalography (iEEG) is a tool that records electrophysiological activity of the inner brain at different regions and depths, and provides critical information on the SOZ. However, iEEG data processing methodologies are not standardized, and practice and resources vary across hospitals and clinics. To assist human experts with systematic processing of iEEG data, we propose a data processing pipeline that generates graph representations of iEEG data. We evaluate 9 different graph representations of publicly available iEEG data from 25 patients with epilepsy with a graph neural network model trained to detect seizures. Our results suggest that graph representations of iEEG data that leverage electrode and functional connectivity features are powerful data structures to analyze and interpret iEEG data in the context of epilepsy. We anticipate that our data pipeline that provides a systematic processing of neural data with graphs can integrate other data modalities like neuroimaging data. Moreover, methods used in the data pipeline have potentials to apply to other neurological disorders such as Parkinson’s disease or major depression disorder.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».