Microelectrode recordings and machine learning approaches: a step toward an integrated intraoperative support system for deep brain stimulation surgery

Accurate intraoperative identification of the subthalamic nucleus (STN) during deep brain stimulation (DBS) surgery remains challenging due to the complexity of microelectrode recording (MER) signals and the limitations of existing machine learning (ML) approaches. Current methods often rely on large numbers of features, suffer from limited interpretability, require extensive preprocessing, and are unsuitable for real-time clinical use. This study aims to develop a simpler and more integrated intraoperative decision-support framework for STN identification using MER data. A compact set of 25 physiologically meaningful features was evaluated to construct a streamlined STN classification model. The performance of multiple ML classifiers was compared using both unprocessed MER data and data subjected to different artefact detection and outlier handling pipelines. The impact of preprocessing strategies, feature normalization, and feature selection on classification accuracy and robustness was systematically assessed. Results demonstrate that a compact, well-selected feature set—particularly emphasizing spike-independent metrics—is sufficient for reliable STN identification. Artefact and outlier removal significantly improve model robustness and performance, whereas excessive preprocessing or additional feature selection beyond the selected feature set provides limited benefit and may even degrade classification accuracy. These findings support the feasibility of a simplified, interpretable, and clinically viable ML-based intraoperative support system for DBS surgery.

L’accurata identificazione del nucleo subtalamico (STN) durante la chirurgia di stimolazione cerebrale profonda (DBS) per la malattia di Parkinson (PD) rimane una sfida a causa della complessità dei segnali neurofisiologici ottenuti durante le microregistrazioni (MER) intra-operatorie dell'attività neuronale single-unit (SU) e dei limiti degli approcci di machine-learning (ML) attualmente disponibili. I metodi esistenti si basano su un numero elevato di features, sono caratterizzati da una difficile interpretabilità clinica, richiedono un’estesa fase di pre-processing e risultano poco adatti all’utilizzo chirurgico in tempo reale. Questo studio mira a sviluppare un sistema di supporto decisionale intra-operatorio più semplice e integrato per l’identificazione del STN basato sui dati MER. È stato valutato un insieme di 25 features fisiologicamente significative al fine della creazione di un modello di classificazione del STN semplificato. Le prestazioni di diversi classificatori ML sono state confrontate utilizzando sia dati MER non pre-processati sia dati sottoposti a differenti pipeline di identificazione e rimozione degli artefatti e gestione degli outlier. È stato inoltre analizzato in modo sistematico l’impatto delle strategie di pre-processing, della normalizzazione delle features e della selezione delle loro caratteristiche sull’accuratezza e sulla robustezza della classificazione. I risultati mostrano che un piccolo insieme ben selezionato di features, in particolare le metriche indipendenti dallo spike neuronale, è sufficiente per un’identificazione affidabile del STN. La rimozione degli artefatti e degli outlier migliora significativamente la robustezza del modello e le prestazioni di classificazione, mentre un eccessivo pre-processing o ulteriori procedure di selezione delle features offrono benefici limitati e possono persino degradare le prestazioni. Questi risultati supportano la fattibilità di un sistema di supporto intra-operatorio basato su degli approcci ML semplificati, clinicamente interpretabili e applicabili alla chirurgia DBS.