Optimal graph representations and neural networks for multichannel time series data in seizure phase classification
Notice bibliographique
Résumé
In recent years, several machine-learning (ML) solutions have been proposed to solve the problems of seizure detection, seizure phase classification, seizure prediction, and seizure onset zone (SOZ) localization, achieving excellent performance with accuracy levels above 95%. However, none of these solutions has been fully deployed in clinical settings. The primary reason has been a lack of trust from clinicians towards the complex decision-making operability of ML. More recently, research efforts have focused on systematized and generalizable frameworks of ML models that are clinician-friendly. In this paper, we propose a generalizable pipeline that leverages graph representation data structures as a flexible tool for graph neural networks. Moreover, we conducted an analysis of graph neural networks (GNN), a paradigm of artificial neural networks optimized to operate on graph-structured data, as a framework to classify seizure phases (preictal vs. ictal vs. postictal) from intracranial electroencephalographic (iEEG) data. We employed two multi-center international datasets, comprising 23 and 16 patients and 5 and 7 h of iEEG recordings. We evaluated four GNN models, with the highest performance achieving a seizure phase classification accuracy of 97%, demonstrating its potential for clinical application. Moreover, we show that by leveraging t-SNE, a statistical method for visualizing high-dimensional data, we can analyze how GNN's influence the iEEG and graph representation embedding space. We also discuss the scientific implications of our findings and provide insights into future research directions for enhancing the generalizability of ML models in clinical practice.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».