Clinical outcome prediction with deep learning from microelectrode recording of subthalamic deep brain stimulation in Parkinson disease

Multi-task Learning;Subthalamic Nucleus Deep Brain Stimulation;Microelectrodes Recording;Parkinson Disease;Convolutional Neural Network;Deep Learning;610

중개의학전공 ;

University:서울대학교 대학원

关键词: Multi-task Learning;    Subthalamic Nucleus Deep Brain Stimulation;    Microelectrodes Recording;    Parkinson Disease;    Convolutional Neural Network;    Deep Learning;    610;   

Others  :  http://s-space.snu.ac.kr/bitstream/10371/161547/1/000000156594.pdf

美国|英语

来源: Seoul National University Open Repository

【 摘 要 】

연구 배경시상하핵의 뇌심부자극술은 진행된 파킨슨병에서 운동 증상을 호전시키는 효과적인 치료이다. 좋은 임상적인 결과를 위해 자극 전극을 정확하게 위치시키는 것이 필요하다. 하지만 미세전극측정을 통해서도 시상하핵을 정확하게 식별하는 것이 쉽지 않다. 이 연구에서는 진행된 파킨슨병 환자에서 딥러닝을 기반으로 미세전극측정을 분석하여 양측 시상하핵 뇌심부자극술 후의 운동기능 호전 정도를 예측하였다. 연구 방법이 연구에는 전신마취 하에서 양측 시상하핵 뇌심부자극술을 시행받은 34명의 환자로부터 측정된 4초 길이의 좌측 미세전극측정 분절이 포함되었다. 30명의 환자는 훈련군으로 4명의 환자는 실험군으로 구분하였다. 웨이브릿(wavelet) 변환된 미세전극측정 자료와 UPDRS(Unified Parkinson;;s Disease Rating Scale) 파트 III 중 오프-약물(Off-medication) 시기의 뇌심부자극/비자극 점수가 딥러닝에 사용되었다. 그 비율에 따라 고반응군과 중반응군으로 분류하였다. 다중작업학습 알고리즘을 이용한 VGG-16 모델이 DBS의 양측성 효과를 추정하기 위해 사용되었다. 동측의 점수보다 반대측의 점수를 크게 반영하도록 하기 위해 손실함수(loss function)의 비율을 다양하게 적용 하였다. CNN이 참조한 영역을 표시하기 위해 Grad-CAM을 사용하였다. 연구 결과미세전극측정신호를 주파수 대역 별로 나누어 웨이브릿 변환하였을 때, 최대정확도는 1-50Hz와 500-5,000Hz와 비교하여 50-500Hz에서 가장 높았다. 게다가 다중작업학습을 적용하였을 때 모델의 안정도가 더 개선되었다. 최대 정확도는 좌우 손실함수의 비율이 5:1과 6:1 때 80.2%로 가장 높았다. 수신자 조작 특성 곡선(ROC curve)에서 곡선하 면적(AUC) 값은 0.88이었다. Grad-CAM에서는 80-200Hz 대역을 가장 흔히 참조한 것을 보여주었다.연구 결론 미세전극측정의 다중작업학습을 통한 분석으로 파킨슨병 환자에서 양측 시상하핵 뇌심부자극술 시행 후 임상적 호전에 관한 예측이 가능할 것으로 판단하였다. 딥러닝으로 미세전극측정신호를 분석하여 수술 후 운동기능향상을 예측함으로써, 전극의 위치를 결정하는 데에 도움이 될 것으로 기대한다.