Gesundheitswesen · Medizinische Bildgebung und Neurologie
Epileptische Läsionen im MRT, die kaum jemand erkennen kann
Fokale kortikale Dysplasien gehören zu den häufigsten Ursachen medikamentenresistenter Epilepsie, und im MRT sind sie extrem schwer zu sehen. Weltweit können nur wenige Spezialisten sie zuverlässig finden, deshalb bleiben viele Patienten mit behandelbarer Epilepsie ohne Diagnose. Wir haben ein neuronales 3D-Netz entwickelt, das sie mit höherer Sensitivität als die visuelle Befundung durch Fachleute erkennt.
Ergebnisse
Kunde: Evangelisches Krankenhaus Alsterdorf
Das Hamburger Epilepsie-Zentrum am Evangelischen Krankenhaus Alsterdorf, eine führende deutsche Einrichtung für Epilepsie-Diagnostik und -Behandlung.
- Branche
- Gesundheitswesen und Neurologie
- Anwendungsfall
- Erkennung epileptischer Läsionen im MRT
- KI-Ansatz
- 3D-CNN mit Autoencoder-Regularisierung
- Daten
- MRT-Hirnscans, 2021 der größte FCD-Trainingsdatensatz
- Validierung
- Prospektive klinische Validierung, zwei begutachtete Artikel
- Lernen
- Fortlaufend, ohne katastrophales Vergessen
Kurz gefasst
Eine Diagnose, die an einer Handvoll Menschen hing
- Fokale kortikale Dysplasien verursachen medikamentenresistente Epilepsie, und werden sie gefunden und operativ entfernt, werden viele Patienten anfallsfrei.
- Anders als ein Tumor haben sie keine klare Grenze. Lage, Größe und Form schwanken stark, sie gehen fließend ins umliegende Gewebe über, und sie zu finden verlangt seltenes Spezialwissen.
- Wir haben ein 3D Convolutional Neural Network gebaut, das das MRT dreidimensional auswertet, trainiert auf dem größten FCD-Trainingsdatensatz zum Zeitpunkt der ersten Veröffentlichung 2021.
- Das aktuelle Modell erreicht 90 Prozent Sensitivität bei 70 Prozent Spezifität, und beide Entwicklungsstufen sind in der begutachteten Fachzeitschrift Epilepsy Research veröffentlicht.
Die Ausgangslage
Die Aufgabe
Ein entscheidender diagnostischer Schritt, das Erkennen von FCDs im MRT, hing an einer winzigen Gruppe von Spezialisten weltweit. Die manuelle Auswertung war zeitaufwendig, subjektiv und für die meisten Krankenhäuser nicht verfügbar, und Patienten wurden übersehen.
Fokale kortikale Dysplasien sind Fehlbildungen der Großhirnrinde und eine der häufigsten Ursachen medikamentenresistenter Epilepsie. Erkannt und operativ entfernt, werden viele Patienten anfallsfrei. Das Problem ist, sie zu finden.
Ein Tumor zeigt sich meist als klar sichtbare Raumforderung. Eine FCD nicht. Lage, Größe und Form variieren stark, und sie geht ohne scharfe Grenze in das umliegende Hirngewebe über. Sie zu erkennen, verlangt tiefes Spezialwissen in der Epileptologie, und die Zahl der Menschen weltweit, die das zuverlässig können, ist verschwindend gering.
Die Folge: Viele Patienten mit behandelbarer Epilepsie bekommen nie die richtige Diagnose.
Der Bau
Was wir gebaut haben
In enger Zusammenarbeit mit den Neurologen und Epileptologen des Hamburger Epilepsie-Zentrums haben wir ein System entwickelt, das FCDs in dreidimensionalen MRT-Hirnscans automatisch erkennt und segmentiert.
Ein neuronales Netz für genau dieses Problem
Wir haben die Architektur eigens für diese Aufgabe entworfen: Sie wertet das MRT in drei Dimensionen aus, um die feinen strukturellen Auffälligkeiten zu erkennen, die eine FCD ausmachen. Autoencoder-Regularisierung verbessert, wie gut das Modell über Scans verschiedener Patienten hinweg verallgemeinert.
Der größte FCD-Trainingsdatensatz seiner Zeit
Datenmangel ist eines der größten Probleme medizinischer KI. In intensiver Zusammenarbeit mit dem Epilepsie-Zentrum haben wir den Datensatz zusammengestellt, den der Artikel von 2021 als bis dahin größten FCD-Trainingsdatensatz mit verschiedenen FCD-Typen beschreibt. Ohne ihn hätte das Modell nur bei den Fällen funktioniert, die es schon kannte.
Empfindlicher als das Auge
In der 2021 veröffentlichten prospektiven Validierung fand das Modell in MRTs aus dem klinischen Alltag 7 von 9 FCDs, die herkömmliche visuelle Befundung 3. Das klinische Team bewertete es als sehr nützlich für das FCD-Screening in der Praxis.
Es lernt weiter, ohne zu vergessen
Das System lernt fortlaufend mit neuen Fällen und minimiert dabei das katastrophale Vergessen, also den Effekt, bei dem das Training mit neuen Daten zerstört, was ein Modell bereits konnte.
Was sich geändert hat
Das Ergebnis
Vorher
Die FCD-Erkennung hing an einer winzigen Zahl von Spezialisten weltweit. Die manuelle MRT-Auswertung war langsam, subjektiv und in den meisten Kliniken nicht verfügbar, und viele Patienten blieben ohne Diagnose.
Nachher
Ein automatisches Screening-Werkzeug mit Erkennungsgenauigkeit auf dem Stand der Forschung, höherer Sensitivität als die visuelle Befundung, begutachtet und prospektiv im klinischen Alltag validiert.
Das Modell erzielte Ergebnisse auf dem Stand der Forschung bei der FCD-Erkennung und wurde in der klinischen Praxis am Hamburger Epilepsie-Zentrum validiert.
Die Ergebnisse sind 2021 und 2024 in der begutachteten Fachzeitschrift Epilepsy Research erschienen und stehen damit der gesamten Fachwelt zur Verfügung, nicht nur einem Krankenhaus.
Das Screening hängt nicht mehr davon ab, ob einer der wenigen Spezialisten verfügbar ist. Genau das entscheidet, ob ein behandelbarer Patient die richtige Diagnose bekommt.
Begutachtete Publikationen
- Development and prospective clinical validation of a convolutional neural network for automated detection and segmentation of focal cortical dysplasiasChanra V, Chudzinska A, Braniewska N, Silski B, Holst B, Sauvigny T, Stodieck S, Pelzl S, House PM (2024). Epilepsy Research, 202, 107357. DOI 10.1016/j.eplepsyres.2024.107357ResearchGate
- Automated detection and segmentation of focal cortical dysplasias (FCDs) with artificial intelligence: Presentation of a novel convolutional neural network and its prospective clinical validationHouse PM, Kopelyan M, Braniewska N, Silski B, Chudzinska A, Holst B, Sauvigny T, Martens T, Stodieck S, Pelzl S (2021). Epilepsy Research, 172, 106594. DOI 10.1016/j.eplepsyres.2021.106594ResearchGate
Fragen zu diesem Projekt
Erkennung epileptischer Läsionen im MRT. Ein entscheidender diagnostischer Schritt, das Erkennen von FCDs im MRT, hing an einer winzigen Gruppe von Spezialisten weltweit. Die manuelle Auswertung war zeitaufwendig, subjektiv und für die meisten Krankenhäuser nicht verfügbar, und Patienten wurden übersehen.
Sensitivität bei der Erkennung von FCD-Läsionen: 90 %. Spezifität: 70 %. Begutachtet in Epilepsy Research, 2021 und 2024: 2 Artikel. Der größte FCD-Trainingsdatensatz bei Veröffentlichung 2021: Größter.
3D-CNN mit Autoencoder-Regularisierung. Eingesetzte Technik: 3D Convolutional Neural Networks, Autoencoder-Regularisierung, Medizinische Bildsegmentierung, MRT-Analyse, Continual Learning, Deep Learning, Python.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
MedTech · Medizinische Bildgebung und OP-Planung
Anatomische Segmentierung, die Stunden dauerte, dauert jetzt Sekunden
Mehr lesen
Gesundheitswesen · Krankenhausbetrieb
Patientendaten automatisch anonymisiert, auf den Servern der Klinik
Mehr lesen
HealthTech · Computer Vision und Rehabilitation