Ochrona zdrowia · Obrazowanie medyczne i neurologia
Zmiany padaczkowe w MRI, których prawie nikt nie potrafi dostrzec
Ogniskowe dysplazje korowe (FCD) należą do najczęstszych przyczyn padaczki lekoopornej i są wyjątkowo trudne do wykrycia w badaniu MRI. Wiarygodnie rozpoznaje je tylko garstka specjalistów na świecie, więc wielu pacjentów z uleczalną padaczką nigdy nie otrzymuje właściwej diagnozy. Zbudowaliśmy trójwymiarową sieć neuronową, która wykrywa FCD z wyższą czułością niż ekspercka analiza wizualna.
Kluczowe rezultaty
Klient: Evangelisches Krankenhaus Alsterdorf
Hamburskie Centrum Padaczki (Epilepsie-Zentrum Hamburg) przy Evangelisches Krankenhaus Alsterdorf, jedna z wiodących niemieckich placówek diagnostyki i leczenia padaczki.
- Branża
- Ochrona zdrowia i neurologia
- Zastosowanie
- Wykrywanie zmian padaczkowych w MRI
- Podejście AI
- 3D CNN z regularyzacją autoenkoderową
- Dane
- Skany MRI mózgu, największy zbiór treningowy FCD w 2021 roku
- Walidacja
- Prospektywna walidacja kliniczna, dwie recenzowane publikacje
- Uczenie
- Ciągłe, bez katastrofalnego zapominania
W skrócie
Diagnoza, która zależała od garstki ludzi
- Ogniskowe dysplazje korowe wywołują padaczkę lekooporną, a po ich wykryciu i chirurgicznym usunięciu wielu pacjentów przestaje mieć napady.
- W przeciwieństwie do guza nie mają wyraźnej granicy. Różnią się położeniem, wielkością i kształtem, a przy tym zlewają się z otaczającą tkanką, więc ich znalezienie wymaga rzadkiej, specjalistycznej wiedzy.
- Zbudowaliśmy trójwymiarową konwolucyjną sieć neuronową, która analizuje MRI w trzech wymiarach. Wytrenowaliśmy ją na największym zbiorze treningowym FCD dostępnym w chwili pierwszej publikacji w 2021 roku.
- Obecny model osiąga 90 procent czułości przy 70 procentach swoistości, a oba etapy prac opublikowano w recenzowanym czasopiśmie Epilepsy Research.
Punkt wyjścia
Wyzwanie
Kluczowy krok diagnostyczny, czyli rozpoznanie FCD w MRI, zależał od nielicznej grupy specjalistów na całym świecie. Ręczna analiza była czasochłonna, subiektywna i niedostępna w większości szpitali, a u części pacjentów zmiany pozostawały niewykryte.
Ogniskowe dysplazje korowe to wady rozwojowe kory mózgowej i jedna z najczęstszych przyczyn padaczki lekoopornej. Po wykryciu i chirurgicznym usunięciu zmiany wielu pacjentów przestaje mieć napady. Trudność polega na tym, żeby ją znaleźć.
Guz zwykle widać jako wyraźną masę. FCD tak nie wygląda. Zmiany bardzo różnią się położeniem, wielkością i kształtem, a do tego zlewają się z otaczającą tkanką mózgową bez wyraźnej granicy. Wykrycie takiej zmiany wymaga głębokiej, specjalistycznej wiedzy z epileptologii, a osób na świecie, które potrafią to robić wiarygodnie, jest bardzo niewiele.
W efekcie wielu pacjentów z uleczalną padaczką nigdy nie otrzymuje właściwej diagnozy.
Budowa
Co zbudowaliśmy
W bezpośredniej współpracy z neurologami i epileptologami z Hamburskiego Centrum Padaczki opracowaliśmy system, który automatycznie wykrywa i segmentuje FCD w trójwymiarowych skanach MRI mózgu.
Sieć neuronowa zbudowana pod jeden problem
Architekturę zaprojektowaliśmy specjalnie pod to zadanie: analizuje MRI w trzech wymiarach, żeby znaleźć subtelne anomalie strukturalne typowe dla FCD. Regularyzacja autoenkoderowa poprawia uogólnianie na skany różnych pacjentów i z różnych aparatów.
Największy zbiór treningowy FCD swoich czasów
Niedobór danych to jeden z najtrudniejszych problemów medycznej AI. Dzięki ścisłej współpracy z Centrum Padaczki zebraliśmy zbiór, który publikacja z 2021 roku opisuje jako największy dotychczasowy zbiór treningowy FCD, obejmujący różne typy FCD. Bez niego model działałby tylko na przypadkach, które już znał.
Czulszy niż ludzkie oko
W prospektywnej walidacji opublikowanej w 2021 roku model znalazł 7 z 9 FCD w rutynowych badaniach MRI, podczas gdy konwencjonalna analiza wizualna znalazła 3. Zespół kliniczny ocenił go jako bardzo przydatny w codziennych badaniach przesiewowych w kierunku FCD.
Uczy się dalej i nie zapomina
System korzysta z uczenia ciągłego (continual learning), więc doskonali się wraz z napływem nowych przypadków i przy tym ogranicza katastrofalne zapominanie, czyli sytuację, w której trening na nowych danych niszczy to, co model już umiał.
Co się zmieniło
Rezultaty
Przed
Wykrywanie FCD zależało od garstki specjalistów na świecie. Ręczna analiza MRI była powolna, subiektywna i niedostępna w większości szpitali, a wielu pacjentów pozostawało bez diagnozy.
Po
Automatyczne narzędzie przesiewowe o dokładności wykrywania na poziomie najnowszego stanu wiedzy, z wyższą czułością niż konwencjonalna analiza wizualna, opisane w recenzowanych publikacjach i zwalidowane prospektywnie w praktyce klinicznej.
Model osiągnął wyniki na poziomie najnowszego stanu wiedzy w wykrywaniu FCD i został zwalidowany w praktyce klinicznej w Hamburskim Centrum Padaczki.
Wyniki opublikowano w recenzowanym czasopiśmie Epilepsy Research w 2021 i 2024 roku, dzięki czemu trafiły do szerokiego środowiska medycznego, a nie zostały w jednym szpitalu.
Badanie przesiewowe nie zależy już od tego, czy jeden z nielicznych specjalistów ma czas. A właśnie od tego zależało dotąd, czy pacjent z uleczalną padaczką otrzyma właściwą diagnozę.
Recenzowane publikacje
- 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
Pytania o ten projekt
Wykrywanie zmian padaczkowych w MRI. Kluczowy krok diagnostyczny, czyli rozpoznanie FCD w MRI, zależał od nielicznej grupy specjalistów na całym świecie. Ręczna analiza była czasochłonna, subiektywna i niedostępna w większości szpitali, a u części pacjentów zmiany pozostawały niewykryte.
Czułość w wykrywaniu zmian FCD: 90%. Swoistość: 70%. Recenzowane prace w Epilepsy Research (2021 i 2024): 2 publikacje. Największy zbiór treningowy FCD w chwili publikacji w 2021 roku: Największy.
3D CNN z regularyzacją autoenkoderową. Wykorzystana technologia: Trójwymiarowe konwolucyjne sieci neuronowe (3D CNN), Regularyzacja autoenkoderowa, Segmentacja obrazów medycznych, Analiza MRI, Continual learning, Deep learning, Python.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
MedTech · Obrazowanie medyczne i planowanie operacji
Segmentacja anatomiczna, która trwała godziny, zajmuje teraz sekundy
Czytaj więcej
Ochrona zdrowia · Zarządzanie szpitalem
Automatyczna anonimizacja danych pacjentów na serwerach szpitala
Czytaj więcej
HealthTech · Computer vision i rehabilitacja