ML-STIM: Machine Learning for SubThalamic nucleus Intraoperative Mapping

Autori: Fabrizio Sciscenti, Valentina Agostini, Laura Rizzi, Michele Lanotte, Marco Ghislieri

Keywords

deep brain stimulation, STN-DBS, electrode placement, artifacts detection, real-time classification, multilayer perceptron, PD.

Summary

Questo studio presenta ML-STIM, una pipeline di apprendimento automatico progettata per automatizzare l’identificazione intraoperatoria del nucleo subtalamico (STN) durante gli interventi di stimolazione cerebrale profonda (DBS) nei pazienti affetti dal morbo di Parkinson (PD), superando i limiti dell’analisi manuale delle registrazioni dei microelettrodi (MER). La pipeline integra la rimozione ottimizzata degli artefatti, l’estrazione delle caratteristiche e la classificazione tramite un percettrone multistrato; è stata addestrata e convalidata su un set di dati e testata su un set di dati indipendente per valutarne la generalizzabilità. ML-STIM ha raggiunto un’elevata accuratezza di classificazione (circa l’88% sul set di dati di addestramento e l’84% su quello indipendente), superando significativamente le prestazioni di un modello di deep learning all’avanguardia, pur mantenendo la capacità di elaborazione in tempo reale (circa 140 ms per registrazione). I risultati evidenziano la sua efficacia, la robustezza tra i diversi centri e l’efficienza computazionale, a conferma del suo potenziale come strumento affidabile e interpretabile per la localizzazione in tempo reale della STN nelle procedure di DBS.

Per maggiori dettagli, ecco il link per accedere alla pubblicazione.