University College London’daki araştırmacılar tarafından küçük beyin düzensizliklerini belirlemek için bir yapay zeka (AI) programı oluşturuldu. Algoritmayı oluşturmak için araştırma, 22 uluslararası epilepsi kurumundan 1000’den fazla hastanın MRI görüntülerini topladı.
Geliştirme, özellikle anomalileri bulmak için çok önemli diye düşünülüyor.
University College London’dan bir grup araştırmacı tarafından, epileptik nöbetlere neden olan küçük bir beyin kusuru olan ilaca dirençli fokal kortikal displaziyi (FCD) tanımlamak için bir yapay zeka (AI) programı oluşturuldu. Bu, epilepsiyi erken evrelerinde tespit etmek ve tedavi etmek için çalışan araştırmacılar için cesaret verici bir gelişmedir.
Çok Merkezli Epilepsi Lezyon Tespiti projesi (MELD), epilepsinin birincil nedeni olan ilaca dirençli fokal kortikal displazi (FCD) vakalarındaki anomalileri tanımlayan algoritmayı oluşturmak için 22 uluslararası epilepsi merkezinden 1000’den fazla hastanın MRI taramalarını topladı.
FCD’ler olarak bilinen beyin bölgeleri uygunsuz bir şekilde evrimleşmiş ve ilaca dirençli epilepsi ile sonuçlanmıştır. Tedavi için genellikle ameliyat gerekir. Ancak MRI görüntülerinde FCD’ler normal göründüğü için bu teknolojiyi kullanarak bu lezyonları tespit etmek zor olabilir.
Sistemi oluşturmak için, çalışma ekibi, MRI taramalarından kortikal özellikleri ölçmek için beyin boyunca yaklaşık 300.000 yer kullandı. Algoritma daha sonra profesyonel radyologların FCD’ye sahip veya sağlıklı bir beyne sahip olarak sınıflandırdığı vakalar üzerinde eğitildi.
Bulgular, kohorttaki vakaların ortalama yüzde 67’sinin FCD’lerinin algoritma tarafından doğru şekilde tanımlandığını (538 katılımcı) gösterdi.
Radyologlar, ortaya çıkaramayan daha önceki araştırmalara göre, deneklerin 178’inde anomaliyi keşfedemediler. Öte yandan, bu örneklerin %63’ünde MELD algoritması FCD’yi tanımlamada başarılı olmuştur.
Epilepsi Tedavisinde İlerlemeler
Bu ilerleme, özellikle anormalliği belirlemek için kritik öneme sahiptir. “Doktorlara karar vermede yardımcı olabilecek yorumlanabilir bir AI algoritması geliştirmeye odaklandık. Makalenin ilk yazarlarından Mathilde Ripart’a göre, bu süreçteki önemli bir adım, klinisyenlere MELD algoritmasının tahminlerini nasıl oluşturduğunu göstermekti. ”
Araştırmanın kıdemli yazarlarından Dr. Konrad Wagstyl, “Bu algoritma, epilepsili çocuklarda ve yetişkinlerde bu gizli lezyonların daha fazlasını bulmaya yardımcı olabilir ve daha fazla epilepsi hastasının tedavi edilebilecek beyin cerrahisi için düşünülmesini sağlayabilir. epilepsi ve bilişsel gelişimlerini geliştirmek.” İngiltere’de, “yılda yaklaşık 440 çocuk epilepsi ameliyatından kazanabilir” diye devam etti.
Epilepsi Araştırmasının Özeti
Algoritma yorumlanabilirliği, tanısal biyomedikal görüntülemede makine öğrenimi için önemli bir sorundur. Yapısal MRG’de mütevazı epileptojenik fokal kortikal displazileri (FCD’ler) bulmak çok önemli bir uygulamadır.
FCD’lerin yapısal MRG’de görülmesi zor olsa da, sıklıkla cerrahi olarak çıkarılabilirler. Açık kaynaklı, yorumlanabilir ve dünyanın dört bir yanındaki epileptik cerrahi merkezlerinden alınan heterojen yapısal MRI verilerinde FCD’leri bulabilen yüzey tabanlı bir makine öğrenimi tekniği oluşturmak için yola çıktık.
Fokal FCD ile ilişkili epilepsisi olan 618 hasta ve 397 kontrol dahil olmak üzere 1015 katılımcıdan oluşan retrospektif bir MRI kohortu, dünya çapında 22 epilepsi merkezinden Çok Merkezli Epilepsi Lezyon Tespiti (MELD) Projesi tarafından derlenmiş ve standardize edilmiştir. 33 yüzey tabanlı özelliği temel alarak FCD tanımlaması için bir sinir ağı geliştirdik.
Ağ, tüm kohortun %50’si üzerinde eğitildikten ve çapraz doğrulandıktan sonra, grubun kalan %50’sinde ve diğer 2 test sitesinde test edildi. Ağın performansı, çok boyutlu özellik analizi ve entegre gradyan belirginlikleri kullanılarak araştırıldı.
Bireysel hasta raporları bizim boru hattımız tarafından üretilir ve beklenen lezyonların görüntüleme özellikleri ve göreceli sınıflandırıcı önemi ile konumları hakkında bilgiler içerir. MELD FCD yüzey tabanlı algoritması, T1 ve sıvı ile zayıflatılmış inversiyon kurtarma MRI verileri olan FCD tip IIB’li nöbetsiz hastalardan oluşan kısıtlı bir “altın standart” alt kohortunda %85’lik bir duyarlılığa sahipti.
Atlanan testlerin tam grubu için duyarlılık ve özgüllük sırasıyla %59 ve %54 idi. Manuel olarak belirlenen lezyon maskelerinin sınırlarını çevreleyen belirsizliği hesaba katmak için lezyonların etrafına bir sınır bölgesi eklendikten sonra duyarlılık %67 idi.
Açık erişim protokolleri ve kodu ile bu çok merkezli, uluslararası çalışmada fokal kortikal displazilerin otomatik tespiti için güvenilir ve yorumlanabilir bir makine öğrenimi algoritmasının geliştirilmesi sayesinde, doktorlar artık epilepsili hastalarda ince MRG lezyonlarının tespitinde daha fazla güvene sahip.
Kaynak: interestingengineering
