Automatyczna detekcja zmian epileptycznych w MRI z wykorzystaniem AI w Hamburskim Centrum Epilepsji

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.

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).