KI-Algorithmus, der Anomalien im Gehirn erkennt, kann bei der Behandlung von Epilepsie helfen


Ein multinationales Forschungsteam unter der Leitung von UCL hat ein Programm für künstliche Intelligenz (KI) entwickelt, das winzige Gehirnanomalien identifizieren kann, die zu epileptischen Anfällen führen. Der im Projekt Multicentre Epilepsy Lesion Detection (MELD) verwendete Algorithmus, der die Orte von Anomalien in Fällen von arzneimittelresistenter fokaler kortikaler Dysplasie (FCD), einer Hauptursache von Epilepsie, meldet, wurde unter Verwendung von mehr als 1.000 MRT-Scans von Patienten aus 22 Ländern entwickelt Epilepsiezentren.

Gehirnregionen, die als FCDs bekannt sind, haben sich falsch entwickelt und führen häufig zu arzneimittelresistenter Epilepsie. Normalerweise wird eine Operation zur Behandlung durchgeführt, aber das Auffinden der Läsionen in einem MRT ist für Ärzte ein ständiges Problem, da MRT-Scans für FCDs normal erscheinen können.

Die Wissenschaftler verwendeten etwa 300.000 Stellen im gesamten Gehirn, um kortikale Eigenschaften aus den MRT-Scans zu quantifizieren, z. B. wie dick oder gefaltet die Kortex-/Gehirnoberfläche war.

Das System wurde dann auf Fälle trainiert, die erfahrene Radiologen aufgrund ihrer Muster und Eigenschaften entweder als FCD-betroffen oder als gesundes Gehirn klassifiziert hatten.

Im Allgemeinen war der Algorithmus bei der Identifizierung der FCD in 67 Prozent der Fälle in der Kohorte erfolgreich, gemäß den Ergebnissen, die in Brain veröffentlicht wurden (538 Teilnehmer).

Zuvor konnten Radiologen die Anomalien bei 178 der Patienten anhand ihrer MRT-Ergebnisse nicht aufdecken; Der MELD-Algorithmus konnte die FCD jedoch in 63 Prozent dieser Fälle erkennen.

Dies ist von entscheidender Bedeutung, denn wenn Ärzte die Anomalie im Gehirnscan identifizieren können, könnte eine Operation zu ihrer Entfernung zu einer Genesung führen.

Mathilde Ripart, Co-Erstautorin vom UCL Great Ormond Street Institute of Child Health, erklärte: „Wir haben uns auf die Entwicklung eines KI System, das interpretierbar war und Ärzten bei der Entscheidungsfindung helfen konnte. Ein entscheidender Schritt in diesem Prozess bestand darin, den Ärzten zu demonstrieren, wie der MELD-Algorithmus seine Prognosen generiert.

Dr. Konrad Wagstyl, Co-Senior-Autor vom UCL Queen Square Institute of Neurology, fügte hinzu: „Dieser Algorithmus könnte es einfacher machen, diese verborgenen Läsionen bei epileptischen Kindern und Erwachsenen zu identifizieren, was die Anzahl der Patienten erhöhen würde, die möglicherweise davon profitieren könnten Gehirnchirurgie zur Behandlung ihres Zustands und zur Verbesserung der kognitiven Funktion. In England könnte eine Epilepsieoperation etwa 440 Kindern pro Jahr helfen.“

Epilepsie ist eine schwere neurologische Erkrankung, die 1 Prozent der Weltbevölkerung betrifft und durch wiederkehrende Anfälle gekennzeichnet ist.

Etwa 600.000 Menschen in Großbritannien sind betroffen. Die Mehrheit der Epilepsiepatienten kann mit Medikamenten behandelt werden, obwohl 20-30 Prozent von ihnen nicht davon profitieren.

FCD ist die häufigste Ursache bei Kindern, die zur Behandlung ihrer Epilepsie operiert wurden, und die dritthäufigste Ursache bei Erwachsenen.

Darüber hinaus ist FCD der häufigste Grund für Epilepsie bei Menschen mit einer Gehirnanomalie, die auf einem MRT-Scan nicht sichtbar ist.

Dr. Hannah Spitzer, Co-Erstautorin von Helmholtz München, erklärte: „Unser System lernt automatisch, Läsionen aus Tausenden von MRT-Scans von Patienten zu erkennen. Es ist in der Lage, Läsionen verschiedener Arten, Formen und Größen, einschließlich mehrerer Radiologen, genau zu identifizieren.“ vorher übersehen hatte.

Dr. Sophie Adler, Co-Senior-Autorin vom Great Ormond Street Institute of Child Health des University College London, fügte hinzu: „Wir glauben, dass diese Technologie dazu beitragen kann, Anomalien zu entdecken, die jetzt übersehen werden und Epilepsie verursachen könnte es mehr Epilepsiepatienten ermöglichen, sich einer möglicherweise kurativen Gehirnoperation zu unterziehen.

Diese FCD-Erkennungsstudie nutzt die bisher größte MRT-Kohorte von FCDs, wodurch sie in der Lage ist, alle FCD-Subtypen zu identifizieren.

Studienbeschränkungen

Die 22 an der Studie beteiligten Krankenhäuser verwendeten verschiedene MRT-Scanner aus der ganzen Welt, was den Algorithmus robuster machte, aber möglicherweise auch seine Empfindlichkeit und Spezifität beeinträchtigte.




Source link