Моторные вызванные потенциалы (МВП) – это электрофизиологические сигналы, имеющие решающее диагностическое и мониторинговое значение в неврологии, нейрохирургии и реабилитационной медицине. Традиционно извлечение признаков из данных МВП основывалось на ручном контроле и измерениях, проводимых обученными врачами в соответствии с установленными правилами. Это процесс, который по своей природе субъективен, трудоемок и подвержен значительным различиям между наблюдателями. В этой статье представлено всестороннее обоснование использования подходов на основе сверточных нейронных сетей (CNN) для извлечения признаков МВП. CNN обеспечивают превосходные показатели по ключевым параметрам, включая точность, воспроизводимость, скорость обработки и способность обнаруживать скрытые морфологические паттерны, которые могут ускользать от человеческого визуального восприятия, по сравнению с традиционными ручными методами. Кроме того, автоматизированный анализ на основе CNN устраняет вариабельность между пациентами, что позволяет проводить мониторинг в режиме реального времени во время операции. Оценки производительности, основанные на компьютерном моделировании и структурированном сравнительном анализе двух методов, убедительно подтверждают это утверждение. Внедрение CNN представляет собой революционный шаг на пути к объективному, масштабируемому и клинически надежному анализу, который может стандартизировать интерпретацию МВП в различных клинических условиях и потенциально улучшить результаты лечения пациентов за счет более последовательной неврологической оценки.
Motor evoked potentials (MEPs) are electrophysiological signals of crucial diagnostic and monitoring importance in neurology, neurosurgery, and rehabilitation medicine. Traditionally, feature extraction from MEP data has been based on manual control and measurements performed by trained clinicians according to established rules, a process that is inherently subjective, time-consuming, and subject to significant differences between observers. This article provides a comprehensive rationale for using convolutional neural network (CNN)-based approaches to extract MEP features. CNNs provide superior performance in key parameters, including accuracy, reproducibility, processing speed, and the ability to detect hidden morphological patterns that may escape human visual perception, compared to traditional manual methods. In addition, automated CNN-based analysis eliminates the variability between patients, allowing for real-time intraoperative monitoring. Performance estimates based on computer modeling and a structured comparative analysis of the two methods strongly confirm this statement. The introduction of CNNs represents a revolutionary step towards objective, scalable, and clinically reliable analysis that can standardize the interpretation of MEP in a variety of clinical settings and potentially improve patient outcomes through more consistent neurological assessment.
The authors declare that there are no conflicts of interest present.