Localising the Seizure Onset Zone from Routine Interictal and Ictal Scalp EEG Via a Factorised Spatiotemporal Ensemble Deep Learning Framework

Epilepsie ist eine Erkrankung, bei der das Gehirn plötzliche, unprovozierte elektrische Stürme erlebt, die Anfälle auslösen. Für viele Menschen können Standardmedikamente diese Ereignisse nicht stoppen, was sie vor einer schwierigen Entscheidung stellt: mit dem Risiko von Anfällen zu leben oder sich einer Hirnoperation zu unterziehen, um das spezifische Gewebe zu entfernen, das das Problem verursacht. Der Erfolg dieser Operation hängt vollständig davon ab, den genauen Ausgangspunkt des elektrischen Sturms zu finden, die sogenannte Seizure Onset Zone (Anfangszone des Anfalls). Derzeit verlassen sich Ärzte auf eine langfristige Krankenhausüberwachung, um einen Anfall abzufangen, während er geschieht – ein Prozess, der Tage dauern kann, bei dem Patienten ihre Medikamente absetzen müssen und der erhebliche Risiken birgt. Alternativ verwenden sie invasive Elektroden, die direkt im Gehirn platziert werden, was eine Operation und potenzielle Komplikationen beinhaltet. Da das Abfangen eines Anfalls selten und schwierig ist, müssen Ärzte oft raten, wo das Problem liegt, basierend auf den ruhigen Phasen zwischen den Anfällen, den sogenannten interiktalen Perioden. Diese Ruhephasen enthalten winzige, flüchtige elektrische Spitzen, die Hinweise auf den Ursprung des Anfalls enthalten, aber diese Signale sind oft schwach und verzerrt, während sie durch den Schädel und die Kopfhaut zu den Sensoren an der Oberfläche des Kopfes wandern.

Ein Forscher hat ein neues Computersystem entwickelt, das darauf ausgelegt ist, diese Ruhephasen zu lesen und den wahrscheinlichen Ort des Ursprungs des Anfalls zu bestimmen, ohne dass eine invasive Operation oder das Warten auf das Auftreten eines Anfalls erforderlich ist. Er entwickelte ein Deep-Learning-Framework, eine Art künstliche Intelligenz, die durch Beispiele lernt, und trainierte es mit tausenden Stunden routinemäßiger Hirnwellenaufzeichnungen von Patienten mit medikamentenresistenter Epilepsie. Das System wurde darauf trainiert, die subtilen Muster elektrischer Spitzen zu erkennen, die zwischen den Anfällen auftreten, und diese einer der sechs großen Regionen des Gehirns zuzuordnen. Um dies möglich zu machen, baute der Forscher ein Modell, das das Timing des elektrischen Signals und dessen Ort auf der Kopfhaut als zwei separate, aber miteinander verbundene Ereignisse behandelt. Dieses Design hilft dem Computer zu verstehen, dass ein Signal je nach Messort unterschiedlich aussehen kann, wodurch die natürliche Unschärfe überwunden wird, die entsteht, wenn Elektrizität durch den Kopf wandert. Das Modell wurde an einer großen Gruppe von Patienten getestet und erwies sich als hochgradig genau; es identifizierte die beteiligte Hirnregion in der überwiegenden Mehrheit der Fälle korrekt. Es funktionierte selbst bei Daten aus verschiedenen Krankenhäusern und bei Aufzeichnungen von Kindern gut, was darauf hindeutet, dass es die natürlichen Variationen in der realen medizinischen Praxis bewältigen kann.

Der Forscher kuratierte einen massiven Datensatz, der über 6.000 Stunden Hirnwellenaufzeichnungen von 100 Patienten umfasst. Er bereinigte diese Daten sorgfältig, indem er Rauschen entfernte und die Art und Weise, wie die Signale gemessen wurden, standardisierte, bevor er sie in sein System einspeiste. Der Computer wurde darauf trainiert, nach spezifischen Formen elektrischer Spitzen zu suchen, die von einem Bruchteil einer Sekunde bis zu einigen Zehntelsekunden dauern. Anstatt zu versuchen, ein einziges perfektes Muster zu finden, nutzt das System mehrere Analyseebenen, um diese Signale mit unterschiedlichen Geschwindigkeiten zu erfassen, ganz ähnlich wie ein Pathologe eine Gewebeprobe unter verschiedenen Vergrößerungen untersuchen könnte, um sowohl feine Details als auch breitere Strukturen zu sehen. Sobald das System diese Signale identifiziert hat, verwendet es eine spezialisierte Methode, um zu entscheiden, aus welchem Teil des Gehirns sie stammen. Dies geschieht, indem es die Frage des „Wann“ des Signals von der Frage des „Wo“ der Aufzeichnung trennt, wodurch es den Pfad der elektrischen Aktivität klarer zurückverfolgen kann als bisherige Methoden.

Die Ergebnisse dieser Studie sind vielversprechend. Bei einem Test an einer Gruppe von Patienten, die das System zuvor noch nie gesehen hatte, identifizierte es die Seizure Onset Zone in fast 89 Prozent der Sitzungen korrekt. Diese Leistung war signifikant besser als die bestehenden Computermodelle, die oft Schwierigkeiten haben, zwischen verschiedenen Hirnregionen zu unterscheiden, wenn sie mit Standardaufzeichnungen ohne invasive Eingriffe arbeiten. Das System zeigte auch eine bemerkenswerte Zuverlässigkeit, als es an einer separaten Gruppe von Patienten aus einem anderen Krankenhaus getestet wurde, darunter viele Kinder, wobei es eine Genauigkeit von über 84 Prozent erreichte. Vielleicht am wichtigsten ist, dass das System bei Tests mit gesunden Menschen ohne Epilepsiegeschichte keine Fehlalarme auslöste und korrekt identifizierte, dass keine Anfallsaktivität zu melden war. Diese Fähigkeit, echte Gehirnsignale von harmlosem Rauschen zu unterscheiden, ist für den klinischen Einsatz entscheidend, da sie bedeutet, dass dem Werkzeug vertraut werden kann, um nur jene Fälle zu melden, die wirklich die Aufmerksamkeit eines Arztes erfordern.

Über die Genauigkeit hinaus bietet das System eine dramatische Verbesserung der Geschwindigkeit. Eine vollständige 24-Stunden-Aufzeichnung der Gehirnaktivität, die normalerweise ein Team von Experten Stunden oder sogar Tage an manueller Durchsicht kostet, kann von diesem System in etwas mehr als vier Minuten verarbeitet werden. Die eigentliche Zeit, die der Computer mit der Analyse der Hirnwellen verbringt, beträgt weniger als acht Sekunden; die restliche Zeit wird lediglich für das Lesen der Datendateien und die Vorbereitung der Analyse aufgewendet. Diese Geschwindigkeit legt nahe, dass das Werkzeug zur schnellen Untersuchung von Patienten eingesetzt werden könnte, um die wahrscheinlichsten Bereiche von Interesse für eine detaillierte Überprüfung durch einen Spezialisten hervorzuheben. Der Forscher betont, dass dieses System nicht dazu gedacht ist, das Urteil eines Neurologen zu ersetzen, sondern als leistungsstarker Assistent zu fungieren. Indem es den Suchbereich eingrenzt und einen klaren, datengestützten Vorschlag liefert, wo der Anfall beginnen könnte, kann es Ärzten helfen, präzisere Operationen zu planen und die Notwendigkeit für Patienten, sich langwierigen, riskanten Überwachungen oder invasiven Eingriffen zu unterziehen, zu verringern.

Die Studie untersuchte auch, wie gut das System funktioniert, wenn es keine spezifischen Marker besitzt, die ihm genau mitteilen, wann ein Spike auftrat, was ein realeszenario simuliert, in dem ein Arzt vielleicht kein perfektes Protokoll über jedes Ereignis hat. Selbst unter diesen Bedingungen behielt das System eine hohe Genauigkeit bei und identifizierte die Hirnregion in etwa zwei Dritteln der Fälle korrekt, was eine signifikante Verbesserung gegenüber dem Zufall darstellt. Der Forscher fand heraus, dass das System besonders gut darin war, Anfälle in den Frontal- und Temporallappen zu identifizieren, welche die häufigsten Orte für Epilepsie sind. Während es für den Okzipitallappen am Hinterkopf etwas weniger genau war – wahrscheinlich aufgrund der Schwierigkeit, Signale aus diesem Bereich durch den Schädel zu detektieren –, konnte das System diese Fälle dennoch häufiger identifizieren als bisherige Methoden. Der Forscher stellte auch fest, dass das System lernte, gängige Ablenkungen wie Muskelbewegungen oder Blinzeln zu ignorieren, die andere Computerprogramme oft verwirren, da es sich auf die spezifische Art und Weise konzentrierte, wie elektrische Signale durch das Gehirn wandern, anstatt nur auf deren Form.

Diese Arbeit stellt einen bedeutenden Fortschritt dar, um die Epilepsiebehandlung sicherer und effizienter zu machen. Indem sie bewiesen hat, dass routinemäßige, nicht-invasive Hirnaufzeichnungen genug Informationen enthalten, um die Quelle von Anfällen mit hoher Präzision zu lokalisieren, hat der Forscher einen neuen Weg für die Diagnose eröffnet. Die Fähigkeit des Systems, über verschiedene Patientengruppen hinweg zu generalisieren, einschließlich Kindern und Erwachsenen aus verschiedenen Krankenhäusern, deutet darauf an, dass es ein zuverlässiges Werkzeug für Kliniken weltweit sein kann. Während der Forscher einräumt, dass weitere Tests erforderlich sind, um diese Ergebnisse in prospektiven klinischen Studien zu bestätigen, bieten die aktuellen Resultate eine starke Grundlage für eine Zukunft, in der Patienten schnellere und genauere Diagnosen erhalten können, ohne die Notwendigkeit invasiver Eingriffe. Das Werkzeug dient als Brücke zwischen der komplexen, verrauschten Realität der Hirnwellendaten und den klaren, handlungsrelevanten Informationen, die Ärzte benötigen, um ihren Patienten zu helfen.