Klassifizierung von Epilepsie-Ergebnissen mit Ictal-Chirp-Embeddings
Eine neue Studie aus dem Bereich der Epileptologie präsentiert einen innovativen Ansatz, um die klinische Wirksamkeit von Behandlungen anhand von Ictal-Chirp-Daten zu klassifizieren. Durch den Einsatz von t-Distributed Stochastic Neighbor Embedding (t‑SNE) werden die komplexen chirp‑basierten Merkmale in einer zweidimensionalen, leicht interpretierbaren Darstellung visualisiert.
Die Pipeline verarbeitet chirp‑basierte Zeit‑, Frequenz‑ und Spektraldaten und nutzt t‑SNE, um lokale Nachbarschaftsbeziehungen zu erhalten. Dabei wird das typische „Crowding“-Problem mit einer Student‑t‑Verteilungs‑Optimierung der Ähnlichkeiten gelöst, sodass die Embeddings die zugrunde liegende Struktur der Daten widerspiegeln.
Auf den 2‑D‑Embeddings wurden drei Klassifikationsaufgaben definiert: (1) Unterscheidung von klinischem Erfolg gegenüber Versagen oder fehlender Resektion, (2) Trennung von hoch‑ und niedrig‑schwierigen Fällen und (3) Identifikation von „optimalen“ Fällen, also erfolgreichen Ergebnissen bei minimaler klinischer Schwierigkeit.
Vier gängige Klassifikatoren – Random Forest, Support Vector Machine, Logistische Regression und k‑Nearest Neighbors – wurden mit einer stratifizierten 5‑Fold‑Cross‑Validation trainiert. Random Forest und k‑NN erzielten die besten Resultate, wobei die Erkennung optimaler Fälle eine Genauigkeit von bis zu 88,8 % erreichte.
Zur Erläuterung der Modellentscheidungen wurden SHAP‑Sensitivitätskarten erstellt, die die Einflussfaktoren der chirp‑Attribute auf die t‑SNE‑Koordinaten visualisieren. Diese Karten zeigen, welche Merkmale regionale Clusterbildung und Klassentrennung vorantreiben, und geben damit tiefe Einblicke in die latente Datenstruktur.
Die integrierte Methodik demonstriert das Potenzial interpretierbarer Embeddings, um klinische Entscheidungsprozesse bei Epilepsiepatienten zu unterstützen und die zugrunde liegende Datenstruktur transparent zu machen.