Weiterentwicklung und prospektive klinische Validierung eines lernenden künstlichen neuronalen Netzwerks zur automatischen Detektion und Segmentation von fokalen kortikalen Dysplasien

Abstract

Fokale kortikale Dysplasien (FCD) sind die häufigste Ursache pharmakoresistenter Epilepsien im Kindesalter und die dritthäufigste bei Erwachsenen. Eine vollständige Resektion der Läsion bietet die beste Chance auf langfristige Anfallsfreiheit. Trotz Fortschritten in der Bildgebung bleibt die FCD-Erkennung eine klinische Herausforderung. Methoden des maschinellen Lernens eröffnen vielversprechende Möglichkeiten für eine automatisierte Detektion. House et al. (2021) entwickelten ein Convolutional Neural Network (CNN) zur FCD-Detektion und Segmentierung, dessen klinische Anwendbarkeit aufgrund der geringen Spezifität von 5,5 % begrenzt war. Im Rahmen einer prospektiven Studie wurde dieses CNN mithilfe von 300 3T-MRTs aus der klinischen Routine, darunter 30 FCD-Fälle, weiterentwickelt. Das Training erfolgte unter Anwendung klassischer und kontinuierlicher Lernmethoden. Das mit kontinuierlichem Lernen trainierte Modell erzielte eine verbesserte Leistung mit einer Sensitivität von 90 %, einer Spezifität von 70 % und einer Genauigkeit von 72 %, bei durchschnittlich 0,41 falsch-positiven Clustern pro MRT und einem mittleren Dice-Koeffizienten von 0,56 für die FCD-Segmentierung. Darüber hinaus zeigte das Modell stetige Leistungsverbesserungen und übertraf das klassisch trainierte Modell. Damit stellt das weiterentwickelte CNN eine effiziente und vielversprechende Lösung für die automatisierte Detektion und Segmentierung von FCDs im klinischen Alltag dar.

Focal cortical dysplasias (FCD) are the leading cause of pharmacoresistant epilepsy in children and the third most common cause in adults. Complete resection of the lesion offers the best chance for long-term seizure freedom. Despite advances in imaging techniques, FCD detection remains a clinical challenge. Machine learning methods present promising opportunities for automated detection. House et al. (2021) developed a convolutional neural network (CNN) for FCD detection and segmentation, but its clinical applicability was limited by a low specificity of 5.5%. In a prospective study, this CNN was further developed using 300 3T-MRIs from routine clinical practice, including 30 FCD cases. Training was conducted using both classical and continual learning methods. The model trained with continual learning demonstrated improved performance, achieving a sensitivity of 90%, a specificity of 70%, and an accuracy of 72%, with an average of 0.41 false-positive clusters per MRI and a mean Dice coefficient of 0.56 for FCD segmentation. Additionally, the model demonstrated steady performance improvements and outperformed the classically trained model. The optimized CNN thus presents an efficient and promising solution for the automated detection and segmentation of FCD in clinical practice.