Návrh klasifikátoru typů fokální kortikální dysplazie dle parametrů epileptiformních výbojů

Abstract

Onemocnění fokální kortikální dysplazie (FCD) je častým zapříčiněním farmakorezistentní fokální epilepsie. Pacienti trpící FCD mohou profitovat z chirurgického zákroku, který odstraní epileptogenní tkáň. Ovšem pro naplánování rozsahu chirurgického zákroku je výhodné znát typ FCD. Cílem práce bylo pomocí parametrizovaných výskytů interiktálních epileptiformních výbojů (IED) a dynamických vlastností iritační zóny stratifikovat typ FCD I a II. Ke stratifikaci typů FCD se využily záznamy 40 pacientů trpících FCD I nebo II, kteří měli, dle dříve publikovaných metod, parametrizované výskyty IED a dynamické vazby klastrů iritační zóny. Statistickým testováním se hledaly parametry schopné stratifikovat pacienty trpící FCD typu I nebo II, jež byly použity k tvorbě klasifikátorů metodou podpůrných vektorů (SVM) a k-nejbližších sousedů (KNN). Byly nalezeny čtyři parametry schopné stratifikace FCD I a II. Vytvořený SVM klasifikátor měl nejlepší přesnost 70.32 % ± 17.03 % v křížové validaci, zatímco KNN měl nejlepší přesnost 75.95 % ± 16.03 % v křížové validaci. Výsledky klasifikátorů nejsou uspokojivé a nasvědčují nevhodnosti neparametrických klasifikátorů pro stratifikaci FCD typu I a II. Bakalářská práce navrženou metodikou může v budoucnu pomoci k vytvoření prediktivního modelu onemocnění FCD.

Focal cortical dysplasia (FCD) is a common cause of drug-resistant focal epilepsy. Patients with FCD may benefit from surgery to remove epileptogenic tissue. However, to plan the scope of surgery, it is advantageous to know the type of FCD. The aim of the work was to stratify the type of FCD I and II using parameterized occurrences of interictal epileptiform discharges (IEDs) and dynamic properties of the irritation zone. Records of 40 patients with FCD I or II who, according to previously published methods, had parameterized occurrences of IEDs and dynamic binding of irritation zone clusters were used to stratify FCD types. Statistical testing looked for parameters capable of stratifying patients with type I or II FCD, which were used to generate support vector machine (SVM) and k-nearest neighbour (KNN) classifiers. Four parameters capable of stratifying FCD I and II were found. The generated SVM classifier had the best accuracy of 70.32% ± 17.03% in cross-validation, while KNN had the best accuracy of 75.95% ± 16.03% in cross-validation. The results of the classifiers are unsatisfactory and indicate the unsuitability of non-parametric classifiers for the stratification of FCD type I and II. The bachelor's thesis proposed methodology may help to create a predictive model of FCD in the future.