利用自动病变检测规划立体定向脑电图:可行性回顾性研究

Planning stereoelectroencephalography using automated lesion detection:Retrospective feasibility study

本回顾性横断面研究评估了将深度学习的难治性癫痫患儿的结构性磁共振成像(MRI)纳入到规划立体定向脑电图(SEEG)植入的可行性和潜在益处。本研究旨在评估自动病变检测与SEEG检测出癫痫发作起始区(SOZ)之间的共定位程度。将神经网络分类器应用于基于皮层MRI数据的三个队列:①对34例局灶性皮质发育不良(FCD)患者的神经网络进行学习、训练和交叉验证;②对20名健康儿童对照者进行特异性评估;③对34例患儿纳入SEEG植入计划的可行性进行了评价。SEEG电极触点的坐标与分类器预测的病变进行核验。临床神经生理学家鉴定癫痫发作起源和易激惹区的SEEG电极触点位置。若SOZ坐标点和分类器预测的病变之间的距离<10 mm则被认为是共定位的。影像学诊断病灶的分类敏感度为74%(25/34)。对照组中未检测到异常(特异性=100%)。在34例SEEG植入患者中,21例有局灶性皮层SOZ,其中8例经病理证实为FCD。分类器正确地检测了这8例FCD患者中的7例(86%)。组织病理学存在异质性的局灶性皮层病变患者中,62%的患者分类器输出结果与SOZ之间存在共定位。3例患者中,电临床提示为局灶性癫痫,SEEG上无SOZ定位点,但在这些患者中,分类器识别了尚未植入的额外异常点。自动病变检测与SEEG之间的共定位存在高度的一致性。我们已经建立了一个框架,将基于深度学习的MRI自动病变检测纳入到SEEG植入计划。我们的发现支持了对自动MRI分析的前瞻性评估,以规划最佳电极植入轨迹方案。