A Comparison of Two Deep Learning Approaches to Distinguish Functional Dissociative from Epileptic Seizures Using Event Videos
Notice bibliographique
Résumé
BACKGROUND: Differentiating between motor functional dissociative seizures (FDS) and motor epileptic seizures (ES) is a common diagnostic challenge, requiring video electroencephalography (vEEG) as gold standard. However, vEEG requires specialized technicians and clinical experts to set up and interpret and oftentimes fails to capture events. We sought to develop machine-learning (ML) tools to carry out this diagnostic task independently of vEEG or human review by a neurologist. METHODS: In this retrospective study, we developed two proof-of-concept ML models to differentiate motor ES from FDS based on video of FDS and ES events in patients who underwent inpatient vEEG monitoring at an academic medical center between 2012 and 2021. The first model employed a pose-estimation approach, using body landmark features that were labeled frame-by-frame by three neurologists. The second utilized an end-to-end 3D convolutional neural network (CNN), thereby learning directly from raw video frames. Using board-certified epileptologist review as a clinical gold standard, we measured model performance by area under the receiver-operating (AUROC) and precision-recall (AUPRC) curves, sensitivity, precision, and accuracy against a held-out test set of videos. RESULTS: We included 101 unique patients with 106 total event videos, comprising 61 (60.4%) ES and 45 (44.6%) FDS events. Both ML models distinguished both seizure types better than chance. The pose-estimation-based model achieved an AUROC of 0.71, AUPRC 0.53, sensitivity 0.90, precision 0.50, and accuracy 0.62. The CNN model exhibited superior overall performance, achieving an AUROC 0.78, AUPRC 0.84, balanced sensitivity and precision (both 0.82), and accuracy 0.80. CONCLUSION: Our findings demonstrate the superiority of CNN over pose-estimation models to differentiate between motor ES and FDS using video alone. Although future studies are needed, these models hold potential as adjunct diagnostic tools by enabling rapid, objective seizure evaluations without immediate neurologist involvement.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».