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

L'epilessia è una condizione in cui il cervello sperimenta improvvise, non provocate tempeste elettriche, che causano crisi epilettiche. Per molte persone, i farmaci standard non riescono a fermare questi eventi, lasciandole di fronte a una scelta difficile: vivere con il rischio di crisi o sottoporsi a un intervento chirurgico al cervello per rimuovere il tessuto specifico che causa il problema. Il successo di questo intervento dipende interamente dal trovare l'esatto punto di partenza della tempesta elettrica, noto come zona di inizio della crisi. Attualmente, i medici si affidano al monitoraggio ospedaliero a lungo termine per catturare una crisi mentre avviene, un processo che può richiedere giorni, richiede ai pazienti di sospendere la terapia farmacologica e comporta rischi significativi. In alternativa, utilizzano elettrodi invasivi posizionati direttamente sul cervello, il che comporta un intervento chirurgico e potenziali complicazioni. Poiché catturare una crisi è raro e difficile, i medici devono spesso indovinare dove risieda il problema basandosi sui periodi di quiete tra una crisi e l'altra, noti come periodi interictali. Questi periodi di quiete contengono piccoli e fugaci picchi elettrici che contengono indizi sull'origine della crisi, ma questi segnali sono spesso deboli e distorti mentre viaggiano attraverso il cranio e il cuoio capelluto fino ai sensori sulla superficie della testa.

Un ricercatore ha sviluppato un nuovo sistema informatico progettato per leggere questi periodi di quiete e individuare la probabile posizione dell'origine della crisi senza la necessità di interventi chirurgici invasivi o di attendere che si verifichi una crisi. Ha creato un framework di deep learning, un tipo di intelligenza artificiale che impara per esempi, addestrato su migliaia di ore di registrazioni di onde cerebrali di routine provenienti da pazienti con epilessia farmacoresistente. Il sistema è stato istruito per riconoscere i sottili modelli di picchi elettrici che si verificano tra le crisi e per mapparli in una delle sei regioni principali del cervello. Per rendere possibile questo, il ricercatore ha costruito un modello che tratta il tempo del segnale elettrico e la sua posizione sul cuoio capelluto come due eventi separati ma connessi. Questa progettazione aiuta il computer a capire che un segnale può apparire diverso a seconda di dove viene misurato, superando la naturale sfocatura che avviene quando l'elettricità passa attraverso la testa. Il modello è stato testato su un grande gruppo di pazienti e si è dimostrato altamente accurato, identificando correttamente la regione cerebrale coinvolta nella stragrande maggioranza dei casi. Ha funzionato bene anche su dati provenienti da diversi ospedali e su registrazioni di bambini, suggerendo che può gestire le variazioni naturali presenti nella pratica medica reale.

Il ricercatore ha curato un enorme dataset comprendente oltre 6.000 ore di registrazioni di onde cerebrali da 100 pazienti. Ha pulito attentamente questi dati, rimuovendo il rumore e standardizzando il modo in cui i segnali venivano misurati, prima di alimentarli nel proprio sistema. Il computer è stato addestrato per cercare forme specifiche di picchi elettrici che durano da una frazione di secondo a qualche decimo di secondo. Invece di cercare un singolo schema perfetto, il sistema utilizza molteplici livelli di analisi per catturare questi segnali a diverse velocità, proprio come un patologo potrebbe esaminare un campione di tessuto sotto diversi ingrandimenti per vedere sia i dettagli fini che le strutture più ampie. Una volta che il sistema identifica questi segnali, utilizza un metodo specializzato per decidere da quale parte del cervello provengano. Lo fa separando la domanda di "quando" è avvenuto il segnale dalla domanda di "dove" è stato registrato, permettendogli di tracciare il percorso dell'attività elettrica in modo più chiaro rispetto ai metodi precedenti.

I risultati di questo studio sono promettenti. Quando testato su un gruppo di pazienti che non aveva mai visto, il sistema ha identificato correttamente la zona di inizio della crisi in quasi l'89 percento delle sessioni. Questa prestazione è stata significativamente migliore rispetto ai modelli informatici esistenti, che spesso faticano a distinguere tra diverse regioni cerebrali lavorando con registrazioni standard non invasive. Il sistema ha anche mostrato una straordinaria affidabilità quando testato su un gruppo separato di pazienti di un altro ospedale, inclusi molti bambini, raggiungendo un'accuratezza superiore all'84 percento. Forse la cosa più importante è che il sistema non ha generato falsi allarmi quando testato su registrazioni di persone sane senza storia di epilessia, identificando correttamente che non c'era attività epilettica da segnalare. Questa capacità di distinguere i veri segnali cerebrali dal rumore innocuo è cruciale per l'uso clinico, poiché significa che lo strumento può essere considerato affidabile per segnalare solo i casi che richiedono davvero l'attenzione di un medico.

Oltre all'accuratezza, il sistema offre un miglioramento drammatico nella velocità. Una registrazione completa di 24 ore dell'attività cerebrale, che tipicamente richiede a un team di esperti ore o anche giorni per essere revisionata manualmente, può essere elaborata da questo sistema in poco più di quattro minuti. Il tempo effettivo che il computer impiega per analizzare le onde cerebrali è inferiore a otto secondi; il resto del tempo è impiegato semplicemente per leggere i file di dati e prepararli per l'analisi. Questa velocità suggerisce che lo strumento potrebbe essere utilizzato per esaminare rapidamente i pazienti, evidenziando le aree più probabili di interesse affinché uno specialista possa esaminarle in dettaglio. Il ricercatore sottolinea che questo sistema non è destinato a sostituire il giudizio di un neurologo, ma ad agire come un potente assistente. Restringendo l'area di ricerca e fornendo un suggerimento chiaro basato sui dati di dove la crisi potrebbe iniziare, esso può aiutare i medici a pianificare interventi chirurgici più precisi e ridurre la necessità per i pazienti di sottoporsi a un monitoraggio prolungato e rischioso o a procedure invasive.

Lo studio ha anche esplorato quanto bene funzioni il sistema quando non dispone di marcatori specifici che indichino esattamente quando si è verificato un picco, simulando uno scenario del mondo reale in cui un medico potrebbe non avere un registro perfetto di ogni evento. Anche in queste condizioni, il sistema ha mantenuto un alto livello di accuratezza, identificando correttamente la regione cerebrale in circa due terzi dei casi, il che rappresenta un miglioramento significativo rispetto al caso casuale. Il ricercatore ha scoperto che il sistema era particolarmente bravo nell'identificare le crisi nei lobi frontali e temporali, che sono i siti più comuni per l'epilessia. Sebbene fosse leggermente meno accurato per il lobo occipitale nella parte posteriore della testa, probabilmente a causa della difficoltà di rilevare i segnali da quell'area attraverso il cranio, il sistema è comunque riuscito a identificare questi casi più spesso rispetto ai metodi precedenti. Il ricercatore ha inoltre notato che il sistema ha imparato a ignorare le distrazioni comuni, come i movimenti muscolari o i battiti di ciglia, che spesso confondono altri programmi informatici, perché si è concentrato sul modo specifico in cui i segnali elettrici viaggiano attraverso il cervello piuttosto che solo sulla loro forma.

Questo lavoro rappresenta un passo avanti significativo nel rendere il trattamento dell'epilessia più sicuro ed efficiente. Dimostrando che le normali registrazioni cerebrali non invasive contengono informazioni sufficienti per localizzare la fonte delle crisi con alta precisione, il ricercatore ha aperto una nuova strada per la diagnosi. La capacità del sistema di generalizzare su diversi gruppi di pazienti, inclusi bambini e adulti di diversi ospedali, suggerisce che potrebbe essere uno strumento affidabile per le cliniche di tutto il mondo. Sebbene il ricercatore riconosca che siano necessari ulteriori test per confermare questi risultati in studi clinici prospettici, i risultati attuali offrono una solida base per un futuro in cui i pazienti possano ricevere diagnosi più rapide e accurate senza la necessità di procedure invasive. Lo strumento funge da ponte tra la realtà complessa e rumorosa dei dati delle onde cerebrali e le informazioni chiare e azionabili di cui i medici hanno bisogno per aiutare i loro pazienti.