Combining OPM and lesion mapping data for epilepsy surgery planning: a simulation study
Notice bibliographique
Résumé
When planning for epilepsy surgery, multiple potential sites for resection may be identified through anatomical imaging. Magnetoencephalography (MEG) using optically pumped sensors (OP-MEG) is a non-invasive functional neuroimaging technique which could be used to help identify the epileptogenic zone from these candidate regions. Here we test the utility of a-priori information from anatomical imaging for differentiating potential lesion sites with OP-MEG. We investigate a number of scenarios: whether to use rigid or flexible sensor arrays, with or without a-priori source information and with or without source modelling errors. We simulated OP-MEG recordings for 1309 potential lesion sites identified from anatomical images in the Multi-centre Epilepsy Lesion Detection (MELD) project. To localise the simulated data, we used three source inversion schemes: unconstrained, prior source locations at centre of the candidate sites, and prior source locations within a volume around the lesion location. We found that prior knowledge of the candidate lesion zones made the inversion robust to errors in sensor gain, orientation and even location. When the reconstruction was too highly restricted and the source assumptions were inaccurate, the utility of this a-priori information was undermined. Overall, we found that constraining the reconstruction to the region including and around the participant's potential lesion sites provided the best compromise of robustness against modelling or measurement error.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».