Case Studies / Evangelisches Krankenhaus Alsterdorf
HEALTHCARE · OBRAZOWANIE MEDYCZNE & NEUROLOGIA
Automatyczna detekcja zmian epileptycznych w MRI z wykorzystaniem AI w Hamburskim Centrum Epilepsji
Ogniskowe dysplazje korowe (FCD) – jedna z najczęstszych przyczyn epilepsji lekoopornej – są niezwykle trudne do wykrycia w badaniach MRI. Na całym świecie zaledwie garstka specjalistów potrafi je wiarygodnie zidentyfikować, przez co wielu pacjentów pozostaje bez diagnozy. Zbudowaliśmy trójwymiarową sieć neuronową, która automatyzuje wykrywanie FCD z wyższą czułością niż konwencjonalna analiza wizualna. Wyniki zostały opublikowane w wiodących czasopismach z zakresu badań nad epilepsją.
Klient: Epilepsie-Zentrum Hamburg, Evangelisches Krankenhaus Alsterdorf – wiodąca niemiecka placówka diagnostyki i leczenia epilepsji.
KLUCZOWE WYNIKI
SOTA
State-of-the-art w automatycznej detekcji FCD
3D CNN
Dedykowana konwolucyjna sieć neuronowa do analizy MRI
Publikacja
Wyniki zrecenzowane w wiodących czasopismach epileptologicznych
Największy
Największy dotychczas zebrany zbiór danych MRI z FCD do treningu modelu
BRANŻA
Healthcare / Neurologia
USE CASE
Detekcja zmian epileptycznych w MRI
PODEJŚCIE AI
3D CNN + regularyzacja autoenkoderowa
DANE
Skany MRI mózgu (największy zbiór FCD)
Wyzwanie
Ogniskowe dysplazje korowe to wady rozwojowe kory mózgowej i jedna z najczęstszych przyczyn epilepsji lekoopornej. Po ich wykryciu i chirurgicznym usunięciu wielu pacjentów może żyć bez napadów. Problem polega na tym, że FCD są niezwykle trudne do zidentyfikowania w badaniach MRI.
W odróżnieniu od guzów, które zazwyczaj widoczne są jako wyraźne masy, FCD różnią się znacznie pod względem lokalizacji, wielkości i kształtu. Wtapiają się w otaczającą tkankę mózgową bez wyraźnych granic. Ich wykrycie wymaga głębokiej, wyspecjalizowanej wiedzy z zakresu epileptologii – a liczba specjalistów na świecie, którzy potrafią je wiarygodnie rozpoznać, jest znikoma. Efekt: wielu pacjentów z uleczalną epilepsją nigdy nie otrzymuje prawidłowej diagnozy.
Sedno problemu: kluczowy krok diagnostyczny – identyfikacja FCD w MRI – zależał od nielicznej grupy światowych specjalistów. Ręczna analiza MRI była czasochłonna, subiektywna i niedostępna w większości szpitali. Pacjenci byli przeoczani.
Co zbudowaliśmy
We współpracy z neurologami i epileptologami z Hamburskiego Centrum Epilepsji opracowaliśmy system AI, który automatyzuje detekcję i segmentację FCD w trójwymiarowych skanach MRI mózgu.
Dedykowana trójwymiarowa konwolucyjna sieć neuronowa. Zaprojektowaliśmy architekturę sieci specjalnie pod to zadanie – analizującą obrazy MRI w trzech wymiarach w celu wykrywania subtelnych anomalii strukturalnych charakterystycznych dla FCD. Architektura wykorzystuje regularyzację autoenkoderową, poprawiającą generalizację i odporność modelu na zróżnicowane skany pacjentów.
Największy zbiór danych treningowych FCD. Jednym z największych wyzwań w medycznym AI jest niedobór danych. Dzięki intensywnej współpracy z Centrum Epilepsji zebraliśmy największy dotychczas zbiór obrazów MRI z potwierdzonymi diagnozami FCD. To było kluczowe dla wytrenowania modelu, który działałby wiarygodnie nie tylko na przypadkach, na których się uczył.
Wyższa czułość niż analiza wizualna. Opracowany model wykazał wyższą czułość w wykrywaniu FCD w porównaniu z konwencjonalną ekspercką analizą wizualną skanów MRI. Zespół kliniczny ocenił model jako wysoce przydatny w screeningu FCD w praktyce.
Continual Learning. System został zaprojektowany z podejściem Continual Learning – doskonali się w miarę napływu nowych danych, jednocześnie minimalizując ryzyko Catastrophic Forgetting (utraty wcześniej nabytej wiedzy przy trenowaniu na nowych przypadkach).
Rezultaty
Przed
Detekcja FCD zależała od nielicznej grupy światowych specjalistów. Ręczna analiza MRI była powolna, subiektywna i niedostępna w większości szpitali. Wielu pacjentów pozostawało bez diagnozy.
Po
Automatyczne narzędzie przesiewowe o najwyższej dokładności detekcji. Wyższa czułość niż w przypadku konwencjonalnej analizy wizualnej. Zweryfikowane w recenzowanych publikacjach naukowych i zatwierdzone do zastosowań klinicznych.
Model osiągnął najlepsze w swojej klasie wyniki w wykrywaniu ogniskowej dysplazji korowej (FCD) i został zwalidowany w praktyce klinicznej w Centrum Leczenia Padaczki w Hamburgu. Wyniki opublikowano w wiodących czasopismach poświęconych badaniom nad padaczką, przyczyniając się do poszerzenia wiedzy środowiska medycznego na temat tego, jak sztuczna inteligencja może wspierać diagnostykę neurologiczną.
Poza bezpośrednim wpływem klinicznym projekt ten pokazał kompetencje theBlue.ai w zakresie głębokiego uczenia w obrazowaniu medycznym – od tworzenia niestandardowych architektur do problemów, dla których nie istnieją gotowe rozwiązania, przez budowę infrastruktury danych niezbędnej do ich trenowania, aż po dostarczanie wyników spełniających rygorystyczne standardy recenzowanych badań klinicznych.
Zastosowane technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
MEDTECH · APOQLAR
Wielogodzinna ręczna segmentacja obrazów zastąpiona AI wykonującą to w sekundy
Przed każdą operacją ktoś musiał ręcznie segmentować struktury anatomiczne na skanach MRI i CT, warstwa po warstwie. Zbudowaliśmy modele AI, które robią to automatycznie, skracając wielogodzinne zadanie do sekund.
Godz. → Sek.
Czas segmentacji
MRT+CT
Obie modalności
OPIEKA ZDROWOTNA · TIROL KLINIKEN INNSBRUCK
Automatyzacja ręcznej anonimizacji danych pacjentów
Pracownicy największej grupy szpitalnej w zachodniej Austrii ręcznie redagowali dane pacjentów z tysięcy dokumentów medycznych, aby spełnić wymogi regulacyjne. AI obsługuje to teraz automatycznie, na własnych serwerach, bez chmury.
100%
Zautomatyzowane
TGF
Zgodne
On-premis
Bez chmury
OPIEKA ZDROWOTNA · EV. KRANKENHAUS ALSTERDORF
Pomoc lekarzom w wykrywaniu ognisk padaczkowych, które umykają podczas ręcznego odczytu MRI
Neurolodzy wizualnie skanowali skany MRI mózgu w poszukiwaniu ognisk epileptycznych – proces, który wymaga specjalistycznej wiedzy i w którym mogą umknąć subtelne przypadki. Zbudowaliśmy AI wykrywające te ogniska z wyższą czułością niż ludzkie oko. Wyniki opublikowane w recenzowanych czasopismach.
90%
Czułość
70%
Swoistość