| 
Eur Radiol. 2019 Jul;29(7):3496-3505. doi: 10.1007/s00330-019-5997-2. Epub 2019 Feb 8.
Machine learning identifies "rsfMRI epilepsy networks" in temporal lobe epilepsy.
Bharath RD1,2, Panda R1,2,3, Raj J4, Bhardwaj S1,2,5, Sinha S5, Chaitanya G5,6, Raghavendra K5, Mundlamuri RC5, Arimappamagan A7, Rao MB7, Rajeshwaran J8, Thennarasu K9, Majumdar KK10, Satishchandra P7, Gandhi TK11.
Author information
1Neuroimaging and Interventional Radiology, National Institute of Mental Health and Neuro Sciences, Bangalore, Karnataka, 560029, India.2Advance Brain Imaging Facility, Cognitive Neuroscience Centre, National Institute of Mental Health and Neuro Sciences, Bangalore, Karnataka, 560029, India.3Coma Science Group, GIGA-Consciousness, Universitè de Liège, Liège, Belgium.4Department of Computer Science, Indian Institute of Technology Delhi, New Delhi, Delhi, 110016, India.5Neurology, National Institute of Mental Health and Neuro Sciences, Bangalore, Karnataka, 560029, India.6Department of Neurology, Thomas Jefferson University, Philadelphia, PA, USA.7Neurosurgery, National Institute of Mental Health and Neuro Sciences, Bangalore, Karnataka, 560029, India.8Neuropsychology, National Institute of Mental Health and Neuro Sciences, Bangalore, Karnataka, 560029, India.9Biostatistics, National Institute of Mental Health and Neuro Sciences, Bangalore, Karnataka, 560029, India.10Systems Science and Informatics Unit, Indian Statistical Institute, Bangalore, Karnataka, 560059, India.11Department of Electrical Engineering, Indian Institute of Technology Delhi, (IIT-D), New Delhi, Delhi, 110016, India. [email protected].
Abstract
OBJECTIVES:
Experimental models have provided compelling evidence for the existence of neural networks in temporal lobe epilepsy (TLE). To identify and validate the possible existence of resting-state "epilepsy networks," we used machine learning methods on resting-state functional magnetic resonance imaging (rsfMRI) data from 42 individuals with TLE.
METHODS:
Probabilistic independent component analysis (PICA) was applied to rsfMRI data from 132 subjects (42 TLE patients + 90 healthy controls) and 88 independent components (ICs) were obtained following standard procedures. Elastic net-selected features were used as inputs to support vector machine (SVM). The strengths of the top 10 networks were correlated with clinical features to obtain "rsfMRI epilepsy networks."
RESULTS:
SVM could classify individuals with epilepsy with 97.5% accuracy (sensitivity = 100%, specificity = 94.4%). Ten networks with the highest ranking were found in the frontal, perisylvian, cingulo-insular, posterior-quadrant, thalamic, cerebello-thalamic, and temporo-thalamic regions. The posterior-quadrant, cerebello-thalamic, thalamic, medial-visual, and perisylvian networks revealed significant correlation (r > 0.40) with age at onset of seizures, the frequency of seizures, duration of illness, and a number of anti-epileptic drugs.
CONCLUSIONS:
IC-derived rsfMRI networks contain epilepsy-related networks and machine learning methods are useful in identifying these networks in vivo. Increased network strength with disease progression in these "rsfMRI epilepsy networks" could reflect epileptogenesis in TLE.
KEY POINTS:
• ICA of resting-state fMRI carries disease-specific information about epilepsy. • Machine learning can classify these components with 97.5% accuracy. • "Subject-specific epilepsy networks" could quantify "epileptogenesis" in vivo.
www.ncbi.nlm.nih.gov/pubmed/30734849
ATTENZIONE ARTICOLO TRADOTTO CON https://www.translatetheweb.com/?from=&to=...bmed%2F30734849
L'apprendimento automatico identifica le "reti di epilessia rsfMRI" nell'epilessia del lobo temporale.
RAd di Bharath1,2, Panda R1,2,3, Raj J4, Bhardwaj S1,2,5, Sinha S5, Chaitanya G5,6, Raghavendra K5, Mundlamuri RC5, Arimappamagan A7, Rao MB7, Rajeshwaran J8, Thennarasu K9, Majumdar KK10, Satishchandra P7, Gandhi TK11.
Informazioni sull'autore
astratto
Obiettivi:
I modelli sperimentali hanno fornito prove convincenti dell'esistenza di reti neurali nell'epilessia del lobo temporale (TLE). Per identificare e convalidare la possibile esistenza di "reti di epilessia di epilessia" dello stato di riposo, abbiamo usato metodi di apprendimento automatico sulla risonanza magnetica funzionale a riposo (rsfMRI) da 42 individui con TLE.
Metodi:
L'analisi probabilistica dei componenti indipendenti (PICA) è stata applicata ai dati rsfMRI di 132 soggetti (42 pazienti con TLE e 90 controlli sani) e 88 componenti indipendenti (IC) sono stati ottenuti secondo le procedure standard. Le funzioni elastiche selezionate dalla rete sono state utilizzate come input per supportare la macchina vettoriale (SVM). I punti di forza delle prime 10 reti sono stati correlati con caratteristiche cliniche per ottenere "reti di epilessia di rsfMRI".
Risultati:
SVM potrebbe classificare gli individui con epilessia con una precisione del 97,5% (sensibilità : 100%, specificità - 94,4%). Dieci reti con la più alta classifica sono state trovate nelle regioni frontali, perisilviane, cingulo-insulare, posteriore-quadrante, talamico, cerebello-talamico e temporo-talamico. Le reti posterior-quadrante, cerebello-talamiche, talamica, mediale-visive e perisilviane hanno rivelato una correlazione significativa (r > 0,40) con l'età in sorgere di crisi epilettiche, la frequenza delle crisi epilettiche, la durata della malattia e un certo numero di farmaci antiepilettici.
Conclusioni:
Le reti rsfMRI derivate da IC contengono reti correlate all'epilessia e i metodi di apprendimento automatico sono utili per identificare queste reti in vivo. L'aumento della forza della rete con progressione della malattia in queste "reti di epilessia rsfMRI" potrebbe riflettere l'epileptogenesi nel TLE.
PUNTI CHIAVE:
L'ICA della fMRI allo stato di riposo trasporta informazioni specifiche sulla malattia sull'epilessia. L'apprendimento automatico può classificare questi componenti con una precisione del 97,5%. "Reti di epilessia specifiche per il soggetto" potrebbero quantificare "epileptogenesi" in vivo.https://www.translatetheweb.com/?from=&to=...bmed%2F30734849 |
