Ключевые слова: фокальная кортикальная дисплазия; МР-морфометрия; искусственный интеллект; машинное обучение; фармакорезистентная эпилепсия; мультимодальная МРТ.
- Аннотация
- Список литературы
- Как цитировать в References
Фокальная кортикальная дисплазия (ФКД) — ведущая причина фармакорезистентной эпилепсии. До 30–50% случаев остаются МР-негативными при рутинной визуальной оценке. МР-морфометрия повышает выявляемость признаков дисплазии, однако традиционные методы ограничены анализом только Т1-изображений с оценкой двух признаков (нарушения перехода между серым и белым веществом, изменения толщины серого вещества).
Цель исследования — сравнить диагностическую эффективность классического Т1-двухпризнакового алгоритма и мультимодального многопризнакового алгоритма с машинным обучением.
Материалы и методы. В группу исследования включено 4 пациента с верифицированной ФКД (2 пациента с типом I и 2 пациента со типом IIB по Blümcke). Всем пациентам была выполнена МРТ по протоколу HARNESS, а также проведена МР-морфометрия с использованием двух независимых алгоритмов.
Классический метод основан на анализе Т1-взвешенных изображений с помощью программного пакета FreeSurfer с оценкой двух признаков (анализ утолщения коры и размытости границы серого/белого вещества головного мозга).
Мультимодальный алгоритм МР-морфометрии включает в себя анализ Т1/Т2-взвешенных изображений и FLAIR с вычислением расширенного набора признаков: нарушение перехода между серым и белым веществом по Т1, Т2 и Т2-FLAIR (Blurring_T1/T2/FLAIR); выявление локальной гиперинтенсивности сигнала на Т2 и FLAIR (CR_T2/FLAIR); оценка неоднородности распределения интенсивности на FLAIR для выявления размытости границы или трансмантильного знака (Variance); измерение хаотичности сигнала на FLAIR для детекции участков повышенной контрастности (Entropy). Для получения итоговой карты предсказания ФКД в мультимодальном алгоритме использовали модели машинного обучения, обобщающие все признаки (MLP и XGBoost).
Результаты. В двух случаях, где ФКД имела типичные Т1-признаки (утолщение коры или отчетливое нарушение демаркации), оба алгоритма показали одинаковую эффективность. В третьем случае классический метод не выявил патологии, поскольку анализ проводился только на Т1-изображениях. Мультимодальный подход, напротив, позволил обнаружить зону дисплазии (изменения визуализировались только на Т2/FLAIR). В четвертом случае классический алгоритм нашел один очаг, тогда как мультимодальный алгоритм выявил дополнительный второй очаг, что повлияло на тактику хирургического лечения.
Заключение. Мультимодальная МР-морфометрия с искусственным интеллектом превосходит классический метод в сложных (визуально-негативных, мультифокальных) случаях и должна рассматриваться как важная дополнительная методика при предоперационном планировании.
1. Шевченко А.М., Погосбекян Э.Л., Ардюкова Н.Е., Фадеева Л.М., Пронин И.Н. Диагностическая польза МР-морфометрии в визуализации фокальной кортикальной дисплазии у пациентов с I и II типом. Инновационная медицина Кубани 2024; 9(4-1): 34.
2. Zuidhoek E.N., Zwemmer J.N.P., Visser G.H., Dankbaar J.W., Widman G. MRI-quality and morphometric MRI analysis to identify focal cortical dysplasia: an exploratory study. Seizure 2024; 123: 37–42, https://doi.org/10.1016/j.seizure.2024.09.025.
3. Ding Z., Hu S., Su T.Y., Choi J.Y., Morris S., Wang X., Sakaie K., Murakami H., Huppertz H.J., Blümcke I., Jones S., Najm I., Ma D., Wang Z.I. Combining magnetic resonance fingerprinting with voxel-based morphometric analysis to reduce false positives for focal cortical dysplasia detection. Epilepsia 2024; 65(6): 1631–1643, https://doi.org/10.1111/epi.17951.
4. Шевченко А.М., Погосбекян Э.Л., Власов П.А., Агрба С.Б., Галстян С.А., Баталов А.И., Меликян А.Г., Пронин И.Н. МР-морфометрия в диагностике МР-негативной фокальной кортикальной дисплазии (клинический случай). Радиология — практика 2024; 1: 104–114, https://doi.org/10.52560/2713-0118-2024-1-104-114.
5. Chen T., Guestrin C. XGBoost. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016; p. 785–794, https://doi.org/10.1145/2939672.2939785.
6. Alsahanova N., Yarkin V., Spodarev E., Bronov O., Bychenko V., Marinets A., Syrkashev E., Karpov O., Burnaev E., Bernstein A., Alferova V., Sharaev M. Knowledge-informed randomized machine learning and data fusion for anomaly areas detection in multimodal 3D images. Information Sciences 2025; 686: 121354, https://doi.org/10.1016/j.ins.2024.121354.
7. Mazziotta J., Toga A., Evans A., Fox P., Lancaster J., Zilles K., Woods R., Paus T., Simpson G., Pike B., Holmes C., Collins L., Thompson P., MacDonald D., Iacoboni M., Schormann T., Amunts K., Palomero-Gallagher N., Geyer S., Parsons L., Narr K., Kabani N., Le Goualher G., Boomsma D., Cannon T., Kawashima R., Mazoyer B. A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philos Trans R Soc Lond B Biol Sci 2001; 356(1412): 1293–1322, https://doi.org/10.1098/rstb.2001.0915.
8. Ashburner J., Barnes G., Chen C.-C., Daunizeau J., Flandin G., Friston K., Gitelman D., Glauche V., Henson R., Hutton C., Jafarian A., Kiebel S., Kilner J., Litvak V., Mattout J., Moran R., Penny W., Phillips C., Razi A., Stephan K., Tak S., Tyrer A., Zeidman P. SPM12 manual. London, UK; 2021.
9. Isensee F., Schell M., Pflueger I., Brugnara G., Bonekamp D., Neuberger U., Wick A., Schlemmer H.P., Heiland S., Wick W., Bendszus M., Maier-Hein K.H., Kickingereder P. Automated brain extraction of multisequence MRI using artificial neural networks. Hum Brain Mapp 2019; 40(17): 4952–4964, https://doi.org/10.1002/hbm.24750.
10. Fischl B. FreeSurfer. Neuroimage 2012; 62(2): 774–781, https://doi.org/10.1016/j.neuroimage.2012.01.021.
11. Dale A.M., Fischl B., Sereno M.I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. Neuroimage 1999; 9(2): 179–194, https://doi.org/10.1006/nimg.1998.0395.
12. Coupe P., Yger P., Prima S., Hellier P., Kervrann C., Barillot C. An optimized blockwise nonlocal means denoising filter for 3-D magnetic resonance images. IEEE Trans Med Imaging 2008; 27(4): 425–441, https://doi.org/10.1109/TMI.2007.906087.
13. Blümcke I., Thom M., Aronica E., Armstrong D.D., Vinters H.V., Palmini A., Jacques T.S., Avanzini G., Barkovich A.J., Battaglia G., Becker A., Cepeda C., Cendes F., Colombo N., Crino P., Cross J.H., Delalande O., Dubeau F., Duncan J., Guerrini R., Kahane P., Mathern G., Najm I., Ozkara C., Raybaud C., Represa A., Roper S.N., Salamon N., Schulze-Bonhage A., Tassi L., Vezzani A., Spreafico R. The clinicopathologic spectrum of focal cortical dysplasias: a consensus classification proposed by an ad hoc Task Force of the ILAE Diagnostic Methods Commission. Epilepsia 2011; 52(1): 158–174, https://doi.org/10.1111/j.1528-1167.2010.02777.x.
14. Guerrini R., Barba C. Focal cortical dysplasia: an update on diagnosis and treatment. Expert Rev Neurother 2021; 21(11): 1213–1224, https://doi.org/10.1080/14737175.2021.1915135.
15. Wagner J., Weber B., Urbach H., Elger C.E., Huppertz H.J. Morphometric MRI analysis improves detection of focal cortical dysplasia type II. Brain 2011; 134(Pt 10): 2844–2854, https://doi.org/10.1093/brain/awr204.
16. Huppertz H.J., Grimm C., Fauser S., Kassubek J., Mader I., Hochmuth A., Spreer J., Schulze-Bonhage A. Enhanced visualization of blurred gray-white matter junctions in focal cortical dysplasia by voxel-based 3D MRI analysis. Epilepsy Res 2005; 67(1-2): 35–50, https://doi.org/10.1016/j.eplepsyres.2005.07.009.
17. Wang Z.I., Jones S.E., Jaisani Z., Najm I.M., Prayson R.A., Burgess R.C., Krishnan B., Ristic A., Wong C.H., Bingaman W., Gonzalez-Martinez J.A., Alexopoulos A.V. Voxel-based morphometric magnetic resonance imaging (MRI) postprocessing in MRI-negative epilepsies. Ann Neurol 2015; 77(6): 1060–1075, https://doi.org/10.1002/ana.24407.
18. Adler S., Wagstyl K., Gunny R., Ronan L., Carmichael D., Cross J.H., Fletcher P.C., Baldeweg T. Novel surface features for automated detection of focal cortical dysplasias in paediatric epilepsy. Neuroimage Clin 2017; 14: 18–27, https://doi.org/10.1016/j.nicl.2016.12.030.
19. Thesen T., Quinn B.T., Carlson C., Devinsky O., DuBois J., McDonald C.R., French J., Leventer R., Felsovalyi O., Wang X., Halgren E., Kuzniecky R. Detection of epileptogenic cortical malformations with surface-based MRI morphometry. PLoS One 2011; 6(2): e16430, https://doi.org/10.1371/journal.pone.0016430.
20. Colombo N., Tassi L., Deleo F., Citterio A., Bramerio M., Mai R., Sartori I., Cardinale F., Lo Russo G., Spreafico R. Focal cortical dysplasia type IIa and IIb: MRI aspects in 118 cases proven by histopathology. Neuroradiology 2012; 54(10): 1065–1077, https://doi.org/10.1007/s00234-012-1049-1.
21. Urbach H., Kellner E., Kremers N., Blümcke, I., Demerath T. MRI of focal cortical dysplasia. Neuroradiology 2022; 64(3): 443–452, https://doi.org/10.1007/s00234-021-02865-x.
22. Shankar A., Saikia M.J., Dandapat S., Barma S. Focal cortical dysplasia (type II) detection with multi-modal MRI and a deep-learning framework. Npj Imaging 2024; 2(1), https://doi.org/10.1038/s44303-024-00031-5.
23. Gill R.S., Lee H.M., Caldairou B., Hong S.J., Barba C., Deleo F., D'Incerti L., Mendes Coelho V.C., Lenge M., Semmelroch M., Schrader D.V., Bartolomei F., Guye M., Schulze-Bonhage A., Urbach H., Cho K.H., Cendes F., Guerrini R., Jackson G., Hogan R.E., Bernasconi N., Bernasconi A. Multicenter validation of a deep learning detection algorithm for focal cortical dysplasia. Neurology 2021; 97(16): e1571–e1582, https://doi.org/10.1212/WNL.0000000000012698. Epub 2021 Sep 14. Erratum in: Neurology 2022; 98(21): 907, https://doi.org/10.1212/WNL.0000000000200293.
24. Krsek P., Pieper T., Karlmeier A., Hildebrandt M., Kolodziejczyk D., Winkler P., Pauli E., Blümcke I., Holthausen H. Different presurgical characteristics and seizure outcomes in children with focal cortical dysplasia type I or II. Epilepsia 2009; 50(1): 125–137, https://doi.org/10.1111/j.1528-1167.2008.01682.x.
25. Spitzer H., Ripart M., Whitaker K., D'Arco F., Mankad K., Chen A.A., Napolitano A., De Palma L., De Benedictis A., Foldes S., Humphreys Z., Zhang K., Hu W., Mo J., Likeman M., Davies S., Güttler C., Lenge M., Cohen N.T., Tang Y., Wang S., Chari A., Tisdall M., Bargallo N., Conde-Blanco E., Pariente J.C., Pascual-Diaz S., Delgado-Martínez I., Pérez-Enríquez C., Lagorio I., Abela E., Mullatti N., O'Muircheartaigh J., Vecchiato K., Liu Y., Caligiuri M.E., Sinclair B., Vivash L., Willard A., Kandasamy J., McLellan A., Sokol D., Semmelroch M., Kloster A.G., Opheim G., Ribeiro L., Yasuda C., Rossi-Espagnet C., Hamandi K., Tietze A., Barba C., Guerrini R., Gaillard W.D., You X., Wang I., González-Ortiz S., Severino M., Striano P., Tortora D., Kälviäinen R., Gambardella A., Labate A., Desmond P., Lui E., O'Brien T., Shetty J., Jackson G., Duncan J.S., Winston G.P., Pinborg L.H., Cendes F., Theis F.J., Shinohara R.T., Cross J.H., Baldeweg T., Adler S., Wagstyl K. Interpretable surface-based detection of focal cortical dysplasias: a Multi-centre Epilepsy Lesion Detection study. Brain 2022; 145(11): 3859–3871, https://doi.org/10.1093/brain/awac224.