HRTOŇOVÁ, V. Graph Neural Networks in Epilepsy Surgery [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Zadání diplomové práce studentky Valentiny Hrtoňové pochází z Ústavu přístrojové techniky AVČR, studentka jí řešila v těsné spolupráci s externím konzultantem Ing. Petrem Klimešem, Ph.D. Práce je napsána kvalitní angličtinou, je logicky strukturovaná, dobře čitelná a vyznačuje se velkým množstvím přehledných, dobře zpracovaných grafických prvků. Začíná kvalitní rešerší, zpracovanou s využitím nadprůměrného množství relevantní literatury. Praktická část obsahuje podrobný popis návrhu a implementace zvoleného postupu předzpracování a analýzy dostupných SEEG dat. Vybrané netriviální řešení s využitím grafových neuronových sítí překonalo na vybrané kohortě pacientu dvě další referenční metody jak v lokalizaci epileptických ložisek, tak v predikci úspěšnosti chirurgického zákroku, což svědčí o vysokém aplikačním potenciálu uvedených metod. Studentka dále důkladně interpretuje výsledky a diskutuje limitace práce. Valentina výstupy své práce úspěšně prezentovala na studentské soutěži EEICT, kde získala 1. místo. Po celou dobu byla velmi aktivní, iniciativní a samostatná. Její výkon hodnotím jako výborný a věřím, že výstupy její práce poslouží jako dobrý základ pro navazující výzkum v oboru. A/100 bodů.
The presented thesis applied the emerging technology of Graph Neural Networks (GNNs) to localise the epileptogenic onset zone based on SEEG data in drug-resistant epilepsy cohort. The thesis focuses on a highly relevant topic which could significantly improve the surgery outcome across epilepsy subjects, especially those who remain to have a cryptogenic onset. The presentation of the thesis and the extent of the writing is of high level and very thorough. The student shows a broad acquired knowledge on the relevant topics. Additionally, considering GNNs being relatively new and emerging topic (and also from examining the attached code files), the level of the work indicates a high proficiency with the matters of deep learning and computational neuroscience in electrophysiology and epilepsy. The utilised lingual formatting along with the level of academic English and the topical jargon is in my opinion fully on par with high-impact peer-reviewed publications. Overall, the thesis reads very well. The writing and section organisation may feel at points slightly textually heavy, for instance in the method section focused on the GNN models, where a lot of information is given about the parameters. A table would have sufficed, similar to the fine tuning table 3.4. I do however appreciate the student's effort to thoroughly describe the background of every aspect of the thesis, from its setting to its methodology. The results are presented clearly, showing the graph attention network to be a valuable tool for EZ localization and outcome prediction. The student finally proposes reasonable and interesting future avenues which would combine the results of the study plus the methodologies of previous research efforts, such as publication no. 78. A point to consider: In section 2.2.1, the text mentions the subjects had varied numbers of electrodes with varying numbers of channels implanted. The section 3.1.3 mentions sparsifying the functional networks and table 3.2 shows constructed datasets for each subject. The writing is a bit confusing for me here and I may be misunderstanding the methodology. However, from what I understand, I miss a discussion point here, focused on the thresholding/sparsifying of the data and its potential impact on the results (for instance correlation between the number of implanted/considered electrodes or nodes and the prediction accuracy). In my opinion, the thesis instructions were fulfilled entirely. I find the presented research of very high relevance (especially "case study: patient 1159" highlights the potential clinical benefit of the presented GAT model) and consider it an excellent contribution to the field. Final score: 98/100
eVSKP id 159753