Том 18, номер 4 (2026)

Возможности мультимодальной магнитно-резонансной морфометрии для диагностики сложных случаев фокальной кортикальной дисплазии (пилотное исследование)

А.М. Шевченко, Н.Ю. Алсаханова, Э.Л. Погосбекян, А.И. Баталов, Н.Е. Елагина, А.А. Копанева, А.В. Бернштейн, М.Г. Шараев, И.Н. Пронин

---

2026, Том 18, номер 4, стр. 22 Назад

Введение

Фокальная кортикальная дисплазия (ФКД) является одной из наиболее частых причин фармакорезистентной эпилепсии, особенно у детей, и занимает ведущее место в структурной эпилепсии у кандидатов на хирургическое лечение [1–3]. Единственный метод лечения таких пациентов — радикальная хирургическая резекция эпилептогенного очага, однако успех операции напрямую зависит от точного пред­операционного определения локализации и границ диспластического участка коры [1].

Золотым стандартом диагностики ФКД является визуальная оценка с помощью магнитно-резонансной томографии (МРТ) высокого разрешения по специализированным протоколам (например, HARNESS). Тем не менее данный подход имеет существенные ограничения. Диспластические очаги часто характеризуются малыми размерами, локализуются в глубине сложных борозд извилин или обладают слабовыраженными структурными изменениями [3]. Вследствие этого значительная часть ФКД (по некоторым данным — до 30–50%) не выявляется при рутинном визуальном анализе, формируя группу так называемой МР-негативной эпилепсии [1, 4]. Кроме того, интерпретация результатов МРТ подвержена межэкспертной вариабельности и требует значительных временных затрат [3]. В связи с этим существует высокая потребность в объективных и чувствительных методах анализа, способных выявлять скрытые структурные аномалии. Метод МР-морфометрии, основанный на воксельном анализе изображений и постобработке данных, дает возможность количественно оценивать такие ключевые признаки ФКД, как локальное утолщение коры и размытость границы между серым и белым веществом [1, 4].

Наши исследования показали, что применение МР-морфометрии позволяет повысить выявляемость ФКД типа I на 18% (до 85%) по сравнению со стандартной визуальной оценкой (66%), что особенно важно ввиду сложности диагностики этой категории дисплазий [1]. Клинически установлено, что использование МР-морфометрии способствует обнаружению очагов у пациентов с длительной МР-негативной эпилепсией. Впоследствии признаки дисплазии были подтверждены гистологическими исследованиями. После операции у пациентов наблюдалась стойкая ремиссия приступов эпилепсии [4].

В настоящее время интерес представляет повышение специфичности метода и снижение количества ложноположительных результатов. Перспективным направлением являются интеграция МР-морфометрии с количественными методами МРТ (такими как MR-фингерпринтинг), а также разработка алгоритмов машинного обучения для автоматического различения истинных патологических очагов и вариантов нормы [2, 3]. Проводятся также исследования по оценке влияния качества исходных МР-изображений на результаты постобработки. Это критически важно для корректной стандартизации метода [2].

Таким образом, изучение диагностических возможностей МР-морфометрии, оптимизация ее алгоритмов и интеграция в клиническую практику представляются высоко актуальными задачами для улучшения отбора пациентов на хирургическое лечение и повышения его эффективности.

Цель исследования — сравнение диагностической эффективности двух алгоритмов МР-морфометрии у пациентов с фармакорезистентной эпилепсией, подозрительной на фокальную кортикальную дисплазию.

Первый алгоритм(Национальный медицинский исследовательский центр нейрохирургии имени академика Н.Н. Бурденко) — классический метод, основанный на анализе только Т1-взвешенных изображений с оценкой двух признаков (утолщение коры и нарушение перехода между серым и белым веществом).

Второй алгоритм(лаборатория BIMAI-Lab, Сколковский институт науки и технологий) — мультимодальный метод (Т1, Т2, FLAIR) с вычислением расширенного набора морфометрических признаков.

Материалы и методы

В проспективное исследование было включено четыре пациента с диагностированной ФКД типов I и II, с фармакорезистентной структурной эпилепсией (пациент с очевидной ФКД; пациент МР-негативный; пациент с ФКД, которая видна только на Т2 и Т2-FLAIR; пациент с обширной ФКД). На предоперационном этапе всем пациентам была выполнена МРТ головного мозга в соответствии с протоколом HARNESS на аппарате General Electric Signa HDxt (GE HealthСare, США) 3,0 Тл с использованием 8-канальной головной катушки или MAGNETOM Skyra (Siemens, Германия) 3,0 Тл с использованием 32-канальной головной катушки. Анализ МРТ-изображений осуществлялся мультидисциплинарной командой (рентгенологи, эпилептологи, нейрохирурги). Результаты исследования, клинические данные и результаты других диагностических процедур были представлены на консилиуме для определения тактики и объема хирургического лечения, направленного на резекцию эпилептогенной зоны. После проведения хирургического лечения у всех пациентов выявлена ФКД, у двух из них диагностирована ФКД типа I, у двух — ФКД типа IIB по Blümcke.

Исследование проведено в соответствии с Хельсинкской декларацией (2024) и одобрено этическим комитетом Национального медицинского исследовательского центра нейрохирургии имени академика Н.Н. Бурденко (Москва).

Мультимодальный алгоритм МР-морфометрии с использованием машинного обучения (лаборатория BIMAI-Lab, Сколковский институт науки и технологий)

В рамках исследования был получен набор количественных карт — признаков, ассоциированных с ФКД, и проведена их нормализация относительно «здоровой» базы для повышения чувствительности к маловыраженным изменениям, включая МР-негативные случаи.

Вычисляли следующие морфометрические признаки:

Blurring_T1 — признак, который направлен на детекцию размытых границ между серым и белым веществом, измеренный по Т1-взвешенной МРТ;

Blurring_T2 — признак, который направлен на детекцию размытых границ между серым и белым веществом, измеренный по Т2-взвешенной МРТ;

Blurring_FLAIR — признак, который направлен на детекцию размытых границ между серым и белым веществом, измеренный по FLAIR МРТ;

CR_T2 — признак, который направлен на детекцию повышения сигнала (граница гиперинтенсивности серого вещества/белого вещества), измеренный по Т2-взвешенной МРТ. CR (concentration rate) подразумевает, что сигнал аномально высокий для области. Обычно этот признак хорошо детектирует гиперинтенсивность;

CR_FLAIR — признак, который направлен на детекцию повышения сигнала (граница гиперинтенсивности серого вещества/белого вещества), измеренный по FLAIR МРТ. CR подразумевает, что сигнал аномально высокий для области. Обычно данный признак хорошо детектирует гиперинтенсивность;

Variance — признак, который помогает обнаружить размытость на стыке серого и белого вещества или трансмантильный знак, измеренный по FLAIR МРТ. Этот признак больше относится к неправильному распределению интенсивности в области, т.е. размытие на границе или трансмантийный знак в белом веществе приводят к повышению значения Variance;

Entropy — признак, который позволяет выявлять участки повышения сигнала (граница гиперинтенсивности серого вещества/белого вещества) и трансмантильный знак, характеризующиеся более высокой контрастностью между областью ФКД и окружением. Данный признак рассчитывается по FLAIR и отражает хаотичность сигнала;

MLP, XGBoost— модели, построенные по признакам (обобщают информацию признаков и дают предсказание).

На выходе формировались карты морфометрических и контрастных признаков, а также карты предсказаний обученных моделей машинного обучения (MLP и XGBoost [5]) [6]. Основные этапы данного алгоритма описаны ниже.

Подготовка данных и пространственная нормализация. Исходные 3D МР-изображения (T1, T2, FLAIR) анонимизировали и конвертировали в формат NIfTI. T1 регистрировали в пространство симметричного стандартного шаблона MNI152 (на основе 152 МРТ) [7]. Модальности T2 и FLAIR переводили в пространство MNI152 с использованием линейного преобразования для обеспечения воксельного соответствия между модальностями. После регистрации выполняли нормализацию интенсивности (z-score) и коррекцию неоднородности МР-сигнала. Сегментацию тканей и построение вероятностных карт серого вещества (GM), белого вещества (WM) и цереброспинальной жидкости проводили в SPM12 [8]; значение воксела на каждой карте отражало вероятность принадлежности соответствующему типу ткани. Получение маски мозга осуществляли с помощью HD-BET [9].

Извлечение морфометрических признаков по T1. Морфометрические карты толщины коры, кривизны и глубины борозд рассчитывали по T1 с использованием FreeSurfer (recon-all) [10]. Для уточнения границы коры использовали вспомогательную модальность (FLAIR). Поверхностные карты переводили в объемные карты и приводили к пространству шаблона MNI152 для последующего воксельного анализа.

Карты размытости границы между серым и белым веществом (Blurring) для T1, T2 и FLAIR. Для каждой модальности была сформирована карта границы «серого–белого вещества» на основе индивидуальных порогов, вычисленных по распределениям интенсивности в сером (GM) и белом (WM) веществах. Для T1 пороги задавали как

T_low=μ_GM+δ · σ_GM;

T_high=μ_WM–δ · σ_WM,

где μ и σ — среднее и стандартное отклонение интенсивности в соответствующей ткани; δ — эмпирический параметр, подбираемый так, чтобы выполнялось следующее условие T_low < T_high (δ=0,4).

Для T2 и FLAIR использовали аналогичный подход, но с учетом противоположной контрастности GM/WM относительно T1:

T_low=μ_WM+δ · σ_WM;

T_high=μ_GM– δ · σ_GM,

где δ=0,03, δ=0,04 для T2 и FLAIR соответственно.

Далее строили бинарную карту: вокселу присваивалось значение «1», если значение интенсивности находилось между порогами T_low и T_high; в противном случае присваивалось значение «0».

Для устранения разрывов и слияния близких вокселов со значением «1» в единые связные кластеры выполняли 3D-свертку с ядром единиц размером 5×5×5, формируя итоговую карту признака для соответствующей модальности.

Контрастные и текстурно-статистические признаки. Обозначим X(v) как интенсивность изображения в вокселе v. Для каждого воксела рассмотрим локальную кубическую окрестность W_m(v) ={t :|t – v|_∞≤ m}, где m — полуширина окна (радиус воксельной окрестности); |·|_∞ — норма Чебышева. Тогда размер окна составит (2m + 1) · (2m + 1) · (2m + 1) вокселов, и мы получим выражение |W_m(v)|= (2m + 1)³.

Для выявления локальных участков повышенного сигнала были построены карты концентрации ярких значений (CR) по T2 и FLAIR. Для каждого воксела v рассматривали W_m(v) (m=4) и упорядочивали интенсивности вокселов из области по убыванию:

где X_(i)(v) — значение интенсивности в вокселе, |W_m(v)| = 9³.

Признак CR определяли как сумму части наибольших значений с исключением самых ярких выбросов:

где g (g=105) — число учитываемых ярких вокселов; k (k=15) — число исключаемых максимальных значений для подавления единичных выбросов.

По данным FLAIR дополнительно вычисляли локальную энтропию как текстурный признак на основе матрицы смежности уровней серого (GLCM) в локальной области W_m(v) (m=5). Для этого использовали энтропию Реньи (Entropy) порядка α (α=2):

где f_i, j(v)^α — элементы нормированной GLCM.

По данным FLAIR также рассчитывали локальную дисперсию (Variance):

где 

 

где m=4.

Нормализация относительно контрольной группы и постобработка. Нормой служили данные МРТ здоровых полушарий головного мозга больных ФКД (n=176). Для каждого признака по данной выборке были рассчитаны квантили: верхний q_l=0,975 и нижний q_s=0,025. Затем значения карты признаков X(v) в каждом вокселе v преобразовывали в карту отклонения от нормы X(v)_n по следующему правилу:

X(v)_n= X(v) – q_l, если X(v) > q_l;

X(v)_n= 0, если q_s < X(v) < q_l;

X(v)_n= q_s– X(v), если X(v) < q_s.

Таким образом, ненулевые значения на нормированной карте соответствуют степени отклонения от нормы.

Для подавления шума автоматически определяли все связные области и отбрасывали те из них, объем которых был меньше 50 вокселов.

Предсказания моделей машинного обучения. На основе набора карт признаков дополнительно сформировали карты предсказаний моделей многослойного персептрона (MLP) и XGBoost. Модели обучали на выборке из 176 пациентов с использованием исходных МРТ-изображений в пространстве MNI, вероятностных карт серого и белого вещества и карт признаков (Blurring для T1, T2 и FLAIR; CR для T2 и FLAIR; энтропии Реньи; локальной дисперсии), а также морфометрических показателей коры, полученных в FreeSurfer (толщина коры, кривизна и глубина борозд). Выходом каждой модели является карта вероятности принадлежности воксела к очагу ФКД, которая также проходила постобработку с выделением связных компонент и фильтрацией мелких кластеров (меньше 50 вокселов).

Обратное преобразование результатов в индивидуальное пространство. Для обеспечения корректной клинической визуализации все полученные карты признаков (Blurring, CR, Entropy, Variance) и карты предсказаний моделей (MLP, XGBoost), рассчитанные в пространстве шаблона, переносили в пространство нативного T1-взвешенного МРТ пациента с использованием обратных преобразований, полученных на этапе пространственной нормализации. В результате для каждого пациента был сформирован комплекс воксельных карт в индивидуальном анатомическом пространстве:

Blurring для T1, T2 и FLAIR — воксельные параметрические карты, показывающие зоны, где наблюдается обширная размытость границы между серым и белым веществом в сравнении с нормой на различных МРТ-модальностях;

CR для T2 и FLAIR — карты локальной концентрации гиперинтенсивного сигнала, отражающие участки аномального повышения интенсивности, характерные для измененной ткани в области ФКД;

Entropy для FLAIR — карты текстурной неоднородности, позволяющие выявить зоны, где упорядоченность сигнала изменена относительно нормы;

Variance для FLAIR — карты локальной дисперсии интенсивности, указывающие на аномальную вариабельность сигнала, которая может сопровождать структурные изменения коры головного мозга при ФКД;

карты вероятности наличия ФКД, полученные с помощью моделей машинного обучения (MLP и XGBoost).

Классический алгоритм МР-морфометрии — Национальный медицинский исследовательский центр нейрохирургии имени академика Н.Н. Бурденко

Использовали T1-взвешенные МР-изображения. Основные этапы данного алгоритма описаны ниже.

Подготовка данных и пространственная нормализация. Исходные T1 МР-изображения конвертировали из формата DICOM в формат NIfTI. Затем с помощью команды recon-all из FreeSurfer версии 7.4.1 [11] были получены бинарные маски коры, белого вещества и субкортикальных структур, а также нормализованные T1-изображения, для которых выполнены коррекция неоднородности магнитного поля и глобальное линейное масштабирование яркости вокселов так, чтобы средние значения в белом веществе у всех испытуемых совпадали и соответствовали стандартной величине.

Вычисление карты толщины коры. Полученные с помощью recon-all данные содержат информацию о толщине коры. С помощью команды mri_surf2vol эти данные были сконвертированы в формат NIfTI.

Вычисление групповой статистики толщины коры. Для каждого пациента с помощью команды mri_glmfit повоксельно сравнивали карту толщины коры с аналогичными картами группы здоровых добровольцев. В результате для каждого пациента была получена воксельная параметрическая карта отклонений толщины коры от нормы.

Вычисление карты размытости границы между серым и белым веществом. Для каждого нормализованного T1-изображения формировали бинарную маску границы между серым и белым веществом на основе индивидуальных порогов, вычисленных по распределениям интенсивности в сером (GM) и белом (WM) веществах. Перед вычислением порогов удаляли шумы с T1-изображений методом нелокальных средних [12]. Пороги задавали как

T_low=μ+1/2 · σ_GM;

T_high=μ – 1/2 · σ_WM,

где μ и σ — среднее и стандартное отклонение интенсивности в соответствующей ткани. При вычислении бинарной маски вокселу присваивалось значение «1», если значение интенсивности находилось между порогами T_lowи T_high; в противном случае присваивалось значение «0». Для вычисленной бинарной маски границы между серым и белым веществом выполняли кластеризацию, после чего удаляли кластеры, не соприкасающиеся или не пересекающиеся с маской коры головного мозга. Дополнительно создавалась исключающая маска, которая вычиталась из маски границы «серого–белого вещества». Исключающая маска состояла из зон, расположенных на расстоянии до 6 мм от таламусов, и из зон, находящихся на расстоянии до 2 мм от субкортикальных структур: боковых желудочков, таламусов, хвостатых ядер, скорлупы, бледных шаров, гиппокампов, миндалевидных тел, вентральных отделов промежуточного мозга, белого вещества мозжечка, коры мозжечка, ствола мозга, задней части мозолистого тела (валик), средне-задней части мозолистого тела (перешеек), центральной части мозолистого тела (тело), средне-передней части мозолистого тела (ростральная часть), передней части мозолистого тела (колено). Из исключающей маски вычитали маску коры головного мозга. После вычитания исключающей маски из маски границы между серым и белым веществом выполняли 3D-свертку с ядром единиц размером 5×5×5. Полученное изображение затем использовали для групповой статистики.

Вычисление групповой статистики размытости границы между серым и белым веществом. Для каждого пациента с помощью команды mri_glmfit повоксельно сравнивали карту размытости границы «серого и белого вещества» с аналогичными картами из группы здоровых добровольцев. В результате для каждого пациента была получена воксельная параметрическая карта, показывающая зоны, где наблюдается обширная размытость границы «серого–белого вещества» в сравнении с нормой.

Результаты

Было проведено сопоставление данных МР-морфометрии 4 пациентов по двум алгоритмам.

В серии из четырех клинических случаев у пациентов с фармакорезистентной фокальной эпилепсией выполнена МР-морфометрия с использованием двух независимых алгоритмов: классического метода (анализ проводился только на Т1-изображениях с оценкой двух признаков: утолщения коры и нарушения перехода между серым и белым веществом) и мультимодального метода (мультимодальный анализ Т1, Т2, FLAIR с вычислением 10+ признаков, включая Blurring_T1/T2/FLAIR, CR_T2/FLAIR, Variance, Entropy; а также финальная классификация с помощью моделей машинного обучения — MLP, XGBoost).

В первых двух случаях оба алгоритма показали сопоставимые результаты: зона дисплазии была идентифицирована у одного пациента в левой теменно-височной области, у другого — в левой височно-островковой области, а гистологический анализ подтвердил ФКД. В третьем случае классический метод не выявил структурных изменений. Мультимодальный алгоритм, напротив, выявил зону дисплазии. В четвертом случае классический метод выявил только одну зону, при этом мультимодальный метод дополнительно обнаружил вторую зону структурных изменений, что повлияло на тактику хирургического лечения.

Клинический пример 1

Пациент: мужчина, 50 лет, с фармакорезистентными фокальными тоническими приступами и ФКД левой височной доли.

Результаты. При анализе МР-морфометрии классическим методом выявлена локальная зона утолщения коры в левой теменно-височной области (рис. 1, а). Мультимодальный алгоритм полностью подтвердил наличие идентичных структурных нарушений в той же локализации с тем же признаком утолщения коры (рис. 1, б). Сопоставление результатов двух методов позволило верифицировать зону кортикальной дисплазии и определить ее точные границы (рис. 1, в). Гистологическое исследование операционного материала подтвердило ФКД типа IIB. В данном случае оба алгоритма показали сходную эффективность.

Рис. 1. Магнитно-резонансная томография мужчины 50 лет с фокальной кортикальной дисплазией левой теменно-височной области: а — классический алгоритм: утолщение коры (красная зона); б — мультимодальный алгоритм: подтверждение утолщения (красная зона); в — на Т1-изображениях зона утолщения коры в левой теменно-височной области; стрелками указана зона изменений

Клинический пример 2

Пациент: мальчик, 10 лет, с фармакорезистентными ороалиментарными автоматизмами и ФКД левой лобно-височной области. Визуальный анализ МРТ высокого разрешения не выявил структурных изменений (рис. 2, а).

Рис. 2. Магнитно-резонансная томография мальчика 10 лет с фокальной кортикальной дисплазией левой височно-островковой области: а — стандартная магнитно-резонансная томография: без видимых изменений (выделено овалом); б — классическая морфометрия: зона нарушения демаркации; в — мультимодальная морфометрия: подтверждение зоны

Результаты. Классический алгоритм выявил зону нарушения перехода между серым и белым веществом в левой височно-островковой области (рис. 2, б). Мультимодальный метод подтвердил наличие идентичных нарушений в той же локализации с аналогичным признаком (рис. 2, в). Оба метода позволили оптимизировать хирургическую тактику; гистологически верифицирована ФКД типа I. Как и в первом случае, различий в диагностической ценности двух алгоритмов не отмечено.

Клинический пример 3

Пациент: женщина, 45 лет, с фармакорезистентными фокальными тоническими приступами и ФКД правой прецентральной извилины. На структурных МРТ-изображениях определялся отчетливый участок нарушения перехода между серым и белым веществом в правой прецентральной извилине, видимый только в режимах Т2 и FLAIR (рис. 3, а).

Рис. 3. Магнитно-резонансная томография женщины 45 лет с фокальной кортикальной дисплазией в правой прецентральной извилине: а — структурная магнитно-резонансная томография (Т2/FLAIR); стрелкой указана зона изменений; б — классическая морфометрия: изменений не выявлено; в — мультимодальная морфометрия: четкая зона дисплазии; стрелками указана зона изменений

Результаты. При проведении МР-морфометрии классическим методом (анализ только Т1-изображений, два признака) никаких структурных изменений не выявлено (рис. 3, б). Алгоритм не позволил детектировать дисплазию, которая была очевидна на Т2/FLAIR. Напротив, мультимодальный метод, работающий с Т1, Т2 и FLAIR и использующий искусственный интеллект (ИИ) (совокупность признаков с последующей классификацией MLP/XGBoost), четко выявил зону изменений в правой центральной извилине, полностью совпадающую с данными структурной МРТ (рис. 3, в). Благодаря мультипризнаковому анализу (включая Blurring_T2, CR_FLAIR, Variance, Entropy) и обученным моделям мультимодальный подход оказался чувствителен даже к тем формам ФКД, которые не имеют утолщения коры или нарушения демаркации на Т1, но проявляются на Т2/FLAIR.

Клинический пример 4

Пациент: женщина, 21 год, с фармакорезистентными фокальными тоническими приступами и обширной ФКД правой лобной доли.

Результаты. При анализе классическим методом была визуализирована зона структурных изменений, ограниченная правой прямой извилиной (рис. 4, а). Мультимодальный подход не только подтвердил эту зону, но и выявил дополнительную область структурных изменений, расположенную в нижней лобной извилине справа (рис. 4, б). Детальное сопоставление с данными структурной МРТ позволило идентифицировать участки нарушения кортико-медуллярной демаркации в обеих извилинах (рис. 4, в). Дополнительный очаг был обнаружен именно благодаря широкому спектру морфометрических признаков и последующему обобщению с помощью моделей ИИ. Традиционный алгоритм, оценивающий лишь два признака, оказался малоинформативен в отношении этого второго очага. Расширение зоны интереса, полученное с помощью мультимодального метода, послужило основой для пересмотра хирургической тактики (увеличение объема резекции). Гистологически верифицирована ФКД типа I, что подтвердило корректность расширенного подхода.

Рис. 4. Магнитно-резонансная томография женщины 21 года с мультифокальной фокальной кортикальной дисплазией правой лобной доли: а — классическая морфометрия: зона только в прямой извилине; б — мультимодальная морфометрия: выявлены две зоны (прямая и нижняя лобная извилины); в — магнитно-резонансная томография в режиме Т2: выявлены две зоны фокальной кортикальной дисплазии (прямая и нижняя лобная извилины); стрелками указаны зоны изменений

Обсуждение

Фокальная кортикальная дисплазия является одной из наиболее частых причин фармакорезистентной эпилепсии у детей и взрослых, при этом радикальное хирургическое лечение возможно только при точной предоперационной локализации эпилептогенного субстрата [13, 14]. Согласно работе [15], до 30–40% случаев ФКД остаются «визуально-негативными» при стандартном анализе данных МРТ высокого разрешения. В последние годы для повышения диагностической чувствительности активно разрабатываются методы количественной МР-морфометрии. Наиболее известным из них является алгоритм MAP (Morphometric Analysis Program), реализованный в пакете FreeSurfer, который оценивает утолщение коры и нарушение перехода серого и белого вещества на Т1-изображениях [15, 16]. Данный подход, аналогичный использованному в Национальном медицинском исследовательском центре нейрохирургии имени академика Н.Н. Бурденко, продемонстрировал хорошую чувствительность при классических формах ФКД. При этом ограничения метода, связанные с мономодальностью (только Т1) и анализом лишь двух признаков, могут приводить к ложноотрицательным результатам при атипичных или мультифокальных поражениях [17, 18].

В представленной серии клинических случаев мы сравнили классический Т1-ориентированный алгоритм (два признака) и мультимодальный многопризнаковый метод с интеграцией моделей машинного обучения (MLP, XGBoost). В первых двух случаях, где ФКД имела типичные Т1-признаки (утолщение коры или отчетливое нарушение демаркации), оба алгоритма показали сопоставимую эффективность. Это подтверждает, что классическая морфометрия остается надежным инструментом в рутинных ситуациях [19].

Ключевые различия проявились в случаях 3 и 4. В третьем наблюдении зона ФКД была видна только на Т2 и FLAIR, но не на Т1. Известно, что некоторые гистологические подтипы ФКД (особенно тип I) могут не давать изменений толщины коры или четкой демаркации на Т1, но проявляются повышением сигнала на Т2/FLAIR вследствие нарушения миелинизации и глиоза [20, 21]. Мультимодальный алгоритм, использующий признаки Blurring для T2, CR для FLAIR, Variance и Entropy, позволил детектировать эти изменения, тогда как алгоритм, работающий только на Т1, дал ложноотрицательный результат. Аналогичные преимущества мультимодальной морфометрии недавно продемонстрированы в работах [22, 23] (комбинация Т1 и Т2/FLAIR с глубоким обучением превосходит мономодальные подходы).

В четвертом наблюдении мультимодальный алгоритм выявил дополнительный, ранее незамеченный очаг в нижней лобной извилине. По данным литературы, мультифокальные формы ФКД встречаются в 5–10% случаев, однако их часто пропускают при визуальном анализе и при классической морфометрии, если очаги различаются по выраженности признаков [24]. Именно широкий набор признаков и способность моделей машинного обучения обобщать нелинейные зависимости позволили обнаружить второй очаг. Сходные результаты представлены в статье H. Spitzer с соавт. [25] (использование XGBoost на 8 морфометрических признаках повысило выявляемость мультифокальной ФКД с 60 до 89%).

Таким образом, представленные нами клинические случаи подтверждают необходимость перехода от универсальных, ограниченных Т1-методов к персонализированным мультимодальным ИИ-решениям. Предлагаемый подход, сочетающий анализ Т1, Т2 и FLAIR, вычисление множества признаков (включая Blurring, CR, Variance, Entropy) и применение моделей машинного обучения, позволяет снизить частоту ложноотрицательных результатов и выявлять скрытые и мультифокальные формы ФКД. Это является критически важным для планирования радикальных хирургических вмешательств.

Необходимо отметить, что результаты исследования ограничены малой выборкой (4 пациента), что не позволяет провести полноценный статистический анализ. Необходимы дальнейшие исследования на более обширной выборке пациентов для подтверждения эффективности мультимодальной МР-морфометрии и информативности предлагаемой методики.

Заключение

Мультимодальная МР-морфометрия с использованием Т1, Т2 и FLAIR-изображений, расширенного набора морфометрических признаков и моделей машинного обучения показала более высокую чувствительность по сравнению с классическим Т1-ориентированным алгоритмом при выявлении фокальной кортикальной дисплазии, особенно при МР-негативных и сложных случаях. Такой подход позволил точнее определить распространенность структурных изменений и улучшить предоперационное планирование, что подтверждает перспективность внедрения мультимодальной МР-морфометрии в клиническую практику.

Финансирование. Работа поддержана грантом Российского научного фонда «Лаборатория надежного, адаптивного и доверительного искусственного интеллекта» №25-71-30008 (разработка надежных моделей ИИ для МРТ).

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.