在前向模型不确定性存在的情况下进行大脑源定位的鲁棒 eLORETA 技术
原文中文，约400字，阅读约需1分钟。发表于：。该研究提出了一种名为 ReLORETA 的鲁棒版本的低分辨率电磁层析技术，用于在存在不同正演模型不确定性的情况下定位脑源。通过模拟各种前向模型不确定性对所提出的方法进行了测试，结果显示 ReLORETA 在所有情况下都比 eLORETA 更具鲁棒性和准确性。因此，ReLORETA 在真实世界的临床应用中是一种有前景的方法。
本论文介绍了使用单脉冲电刺激（SPES）响应进行癫痫发生区（SOZ）定位的深度学习应用。通过引入具有跨通道注意力的Transformer模型，评估其对未知患者和电极放置位置的泛化能力。结果表明，转从发散方法到收敛方法能够显著改善定位效果，并展示了Transformer模型在处理异构电极放置方面的有效性。最后，通过考虑试验间变异性进一步优化模型，增强了患者之间的一致性预测。这些进展为SOZ定位提供了更深入的了解，并在SPES中对患者特异性的颅内脑电电极放置建模方面迈出了重要的一步。未来的工作将探索将这些模型整合到临床决策过程中，将深度学习研究与实际的医疗应用桥接起来。
