Automatische Erkennung von FCDs mit KI
Automatisierte Erkennung und Segmentierung von fokalen kortikalen Dysplasien (FCDs)
Julia Rose
Marketing & Design
12. März 2021
Gemeinsam mit Experten des Epilepsiezentrums Hamburg haben wir eine Forschungsarbeit über die automatisierte Erkennung von FCDs mit Künstlicher Intelligenz verfasst. In dem Artikel mit dem Titel “Automatisierte Erkennung und Segmentierung von fokalen kortikalen Dysplasien (FCDs) mit künstlicher Intelligenz: Vorstellung eines neuartigen Faltungsneuronalen Netzes und dessen prospektive klinische Validierung” präsentieren wir die Ergebnisse unserer zweijährigen Forschung über die Anwendung von KI zur Lösung der Herausforderungen im Bereich der Epilepsie. In diesem Beitrag möchten wir mit Ihnen die grundlegenden Informationen darüber teilen
Unser Algorithmus kann zu einer besseren Erkennung von FCDs beitragen.
Fokale kortikale Dysplasien (FCDs) stellen eine der häufigsten Ursachen für pharmakoresistente fokale Epilepsien dar. Trotz verbesserter klinischer Bildgebungsverfahren in den letzten Jahren bleibt die Erkennung von FCDs eine Herausforderung, da FCDs in Lage, Größe und Form variieren und häufig ohne klar definierbare Grenzen in das umgebende Gewebe übergehen. Diese Tatsache führt dazu, dass nur Experten mit langjähriger Erfahrung in der Lage sind, die FCDs zuverlässig zu erkennen. Um diesem Problem zu begegnen, haben wir eine neuartige KI-basierte Lösung zur automatischen Erkennung und Segmentierung von FCDs auf MRT-Bildern entwickelt, die zu einer besseren Erkennung dieser beitragen soll.
Arbeiten mit Fachleuten vor Ort
Das Training von KI-Modellen in so komplizierten Bereichen wie der Erkennung von FCDs, bei denen die Fehlbildungen des Gehirns sehr schwer zu finden sind, erfordert eine enge Zusammenarbeit mit den Experten vor Ort. Wir arbeitenFachleuten aus dem Bereich Epilepsie unter der Leitung von Dr. Patrick House vom Epilepsiezentrum in Hamburg, der über 20 Jahre Erfahrung speziell mit FCDs hat. Die Zusammenarbeit mit den Ärzten ermöglichte es uns, den bisher größten FCD-Trainingsdatensatz mit verschiedenen Arten von FCDs und einigen fokalen PMGs zu sammeln sowie viele detaillierte Validierungsrunden durchzuführen, um die Ergebnisse des Algorithmus zu verifizieren.
Wie wurde die Künstliche Intelligenz trainiert?
Das neuronale Netzwerk wurde auf 201 T1- und FLAIR-3-T-MRT-Volumensequenzen von 158 Patienten mit hauptsächlich FCDs, unabhängig vom Typ, und 7 fokalen PMGs trainiert. Zum Zweck des Trainings haben wir auch 100 normale MRTs und 50 MRTs mit anderen Pathologien als FCD/PMG verwendet. Die Ärzte, mit denen wir zusammenarbeiten, haben den Algorithmus prospektiv auf 100 konsekutive MRTs von Patienten mit fokaler Epilepsie aus der täglichen klinischen Praxis angewendet. Die Ergebnisse wurden mit entsprechenden neuroradiologischen Berichten und morphometrischen MRT-Analysen verglichen, die von einem erfahrenen Epileptologen ausgewertet wurden.
Der Algorithmus wird bereits im klinischen Alltag für das FCD-Screening als nützlich angesehen
Die Architektur der Lösung basierte auf einem neuronalen 3D-Faltungsnetzwerk mit Autoencoder-Regularisierung für die FCD-Erkennung und -Segmentierung. Unser Algorithmus lieferte eine höhere Sensitivität bei der Erkennung von FCDs als herkömmliche visuelle Analysen. Trotz seiner geringen Spezifität war die Anzahl der falsch positiv vorhergesagten Läsionen pro MRT geringer als bei der morphometrischen Analyse. Die besten Trainingsergebnisse erreichten eine Sensitivität (Recall) von 70,1 % und eine Präzision von 54,3 % für die Erkennung von FCDs. Angewandt auf die täglichen Routine-MRTs wurden 7 von 9 FCDs erkannt und korrekt segmentiert mit einer Sensitivität von 77,8 % und einer Spezifität von 5,5 %. Die Ergebnisse der konventionellen visuellen Analysen lagen bei 33,3 % bzw. 94,5 % (3/9 FCDs detektiert); die Ergebnisse der morphometrischen Analysen mit epileptologischer Gesamtauswertung lagen beide bei 100 % (9/9 FCDs detektiert) und dienten somit als Referenz.
Die Epileptologen betrachten unseren Algorithmus bereits als nützlich für das FCD-Pre-Screening im klinischen Alltag, während die Lösung stetig verbessert wird.
“Viele FCDs als Quelle der Epilepsie von Patienten bleiben oft unerkannt. Es ist wichtig, dass fokale kortikale Dysplasien erkannt werden, weil diese operiert werden können. “so Dr. Patrick House “Der Algorithmus ist deshalb sehr vielversprechend. Darüberhinaus kann er neben Epileptologen auch Radiologen oder Neurologen dabei helfen FCDs auf MRTs zu erkennen.”
Die Forschungsarbeit wurde in der weltweit bekannten medizinischen Fachzeitschrift Epilepsy Research veröffentlicht. Für weitere Details lesen Sie hier: Link
Möchten Sie mehr über die automatisierte FCD-Erkennung erfahren? Wir helfen Ihnen beim Einstieg in das Thema und unterstützen Sie dabei, das Potenzial von KI in Ihrer Klinik zu nutzen.
Vereinbaren Sie einen Termin
