Využití strojového učení pro klasifikaci epileptogenní tkáně po elektrické stimulaci

Abstract

Tato práce se zabývá elektrofyziologickými biomarkery epileptické aktivity po přímé elektrické stimulaci v klasifikaci epileptogenní tkáně. Mezi vhodné biomarkery byly zařazeny vysokofrekvenční oscilace, interiktální spiky, změny v konektivitě a výkon signálu ve frekvenčních pásmech. Biomarkery byly detekovány v iEEG záznamech a jejich reakce na přímou elektrickou stimulaci byla analyzována statistickými testy. Analýza biomarkerů prokázala vliv přímé elektrické stimulace na elektrofyziologické biomarkery epileptické aktivity. Relevantními biomarkery byly selekčními metodami vybrány výkon signálu ve frekvenčním pásmu 80-250 Hz, relativní entropie ve frekvenčním pásmu 250-600 Hz a lineární korelace. Pro klasifikaci epileptogenní tkáně byly implementovány modely strojového učení, konkrétně logistická regrese, metoda podpůrných vektorů a rozhodovací lesy. Metoda podpůrných vektorů prokázala nejvyšší senzitivitu (70,5 %) mezi modely, avšak celkové výsledky jsou nedostatečné (PPV 38,5 %, F1 skóre 42,9 %). Přestože klasifikační modely nedosáhly očekávaných výsledků, tato práce naznačuje potenciál elektrofyziologických biomarkerů pro identifikaci epileptogenních ložisek a poskytuje základ pro další výzkum v této oblasti.This thesis addresses electrophysiological biomarkers of epileptic activity after direct electrical stimulation in the classification of epileptogenic tissue. Suitable biomarkers included high-frequency oscillations, interictal spikes, changes in connectivity and signal power across frequency bands. Biomarkers were detected in iEEG recordings and their response to direct electrical stimulation was analyzed by statistical tests. Biomarker analysis demonstrated the effect of direct electrical stimulation on electrophysiological biomarkers of epileptic activity. Relevant biomarkers were selected by selection methods as signal power in the frequency band 80-250 Hz, relative entropy in the frequency band 250-600 Hz and linear correlation. Machine learning models, namely logistic regression, support vector machines and decision forest, were implemented for epileptogenic tissue classification. The support vector machines method showed the highest sensitivity (70,5 %) among the models, but the overall results were insufficient (PPV 38,5 %, F1 score 42,9 %). Despite the limitations in the performance of the classification models, this work highlights the potential of electrophysiological biomarkers in identifying epileptogenic foci and establishes a foundation for further research in the field.