- Dr Galli's NeuroNotes
- Posts
- Die fokale kortikale Dysplasie (FCD) ist eine der häufigsten Ursachen für arzneimittelresistente Epilepsie
Die fokale kortikale Dysplasie (FCD) ist eine der häufigsten Ursachen für arzneimittelresistente Epilepsie
Christian
October 27, 2024
Foto Clinton Naik, Unplash
Durchbruch bei der Erkennung von Epilepsie-Ursachen: KI-Modell identifiziert schwer erkennbare Hirnläsionen
Wissenschaftler haben ein bahnbrechendes KI-Modell entwickelt, das die Erkennung von fokalen kortikalen Dysplasien (FCD) – einer häufigen Ursache für therapieresistente Epilepsie – revolutionieren könnte. Die neue Methode, die auf einem sogenannten Multiskalen-Transformer basiert, übertrifft bisherige Ansätze bei der automatischen Segmentierung dieser schwer zu erkennenden Hirnläsionen in MRT-Aufnahmen.
FCDs sind angeborene Fehlbildungen der Hirnrinde, die bei etwa 20-25% der Patienten mit therapieresistenter Epilepsie auftreten. Ihre präzise Lokalisierung ist entscheidend für eine erfolgreiche chirurgische Behandlung, stellt Ärzte aber vor große Herausforderungen.
„FCDs können in MRT-Bildern sehr subtil sein und werden bei Routineuntersuchungen leicht übersehen“, erklärt Dr. Xiaodong Zhang, Hauptautor der Studie. „Etwa ein Drittel der Fälle wird als MRT-negativ eingestuft, was die Diagnose und Behandlungsplanung erheblich erschwert.“
Das neue KI-Modell, genannt MS-DSA-NET (Multiscale Dual-Self-Attention Network), nutzt modernste Deep-Learning-Techniken, um FCDs in multimodalen MRT-Aufnahmen zu erkennen. Es kombiniert die Stärken von konvolutionellen neuronalen Netzen (CNNs) mit der Fähigkeit von Transformern, weitreichende Zusammenhänge in den Bilddaten zu erfassen.
„Unser Ansatz integriert Informationen aus verschiedenen Auflösungsstufen der MRT-Bilder“, erläutert Zhang. „So können wir sowohl lokale Details als auch globale Strukturen berücksichtigen, was für die zuverlässige Erkennung von FCDs entscheidend ist.“
In Tests an einem öffentlich zugänglichen Datensatz von 85 FCD-Patienten erzielte das MS-DSA-NET beeindruckende Ergebnisse:
– Es erkannte Läsionen bei 82,4% der Patienten korrekt
– Die Rate falsch-positiver Befunde lag bei nur 0,176 pro Patient
– Der durchschnittliche Dice-Koeffizient, ein Maß für die Genauigkeit der Segmentierung, betrug 0,410
„Diese Werte übertreffen deutlich die Leistung bisheriger Methoden“, betont Zhang. „Besonders bemerkenswert ist die hohe Erkennungsrate bei gleichzeitig sehr niedriger Falsch-Positiv-Rate.“
Die Forscher führten auch Experimente durch, um den Einfluss verschiedener Modellkomponenten zu untersuchen. Dabei zeigte sich, dass die Kombination von T1- und FLAIR-MRT-Sequenzen die besten Ergebnisse liefert. Auch die Verwendung größerer Bildausschnitte (Patches) von 128x128x128 Voxeln erwies sich als vorteilhaft.
„Unser Modell ist flexibel und kann leicht an verschiedene Bildmodalitäten angepasst werden“, erklärt Zhang. „In Zukunft wollen wir auch PET-Daten integrieren, die besonders bei der Erkennung subtiler FCDs hilfreich sein könnten.“
Die Studie hat auch Limitationen: Bei 3 von 17 Testpatienten konnte das Modell keine Läsionen erkennen. Zudem ist der erreichte Dice-Koeffizient von 0,410 im Vergleich zu anderen medizinischen Segmentierungsaufgaben relativ niedrig. „Das unterstreicht die inhärente Schwierigkeit der FCD-Segmentierung“, räumt Zhang ein. „Aber wir sehen hier großes Potenzial für weitere Verbesserungen.“
Die Forscher betonen, dass ihr Modell als wertvoller Benchmark für zukünftige Entwicklungen dienen kann.
„Wir haben unseren Code und die vortrainierten Modellgewichte öffentlich zugänglich gemacht“, sagt Zhang. „So können andere Wissenschaftler darauf aufbauen und die Methode weiter verbessern.“
Experten sehen in dem neuen Ansatz einen wichtigen Schritt zur Verbesserung der Epilepsie-Diagnostik. „Die automatische Erkennung von FCDs könnte Ärzten helfen, diese schwer zu diagnostizierenden Läsionen schneller und zuverlässiger zu identifizieren“
Die Forscher planen nun, ihr Modell an größeren und diverseren Datensätzen zu testen und weiter zu optimieren. Auch die Integration zusätzlicher Bildmodalitäten und klinischer Daten steht auf ihrer Agenda. „Unser langfristiges Ziel ist es, ein robustes KI-System zu entwickeln, das Ärzte bei der Diagnose und Behandlungsplanung von Epilepsie-Patienten optimal unterstützt“, schließt Zhang.
Die Studie wurde in der Fachzeitschrift „Insights into Imaging“veröffentlicht.
Quelle
Xiaodong Zhang et al, Focal cortical dysplasia lesion segmentation using multiscale transformer, Insights into Imaging (2024). DOI: 10.1186/s13244-024-01803-8