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

Epilepsie is een aandoening waarbij de hersenen plotselinge, onverklaarbare elektrische stormen ervaren, wat leidt tot epileptische aanvallen. Voor veel mensen kunnen standaardmedicijnen deze gebeurtenissen niet stoppen, waardoor ze voor een moeilijke keuze komen te staan: leven met het risico op aanvallen of een hersenoperatie ondergaan om het specifieke weefsel te verwijderen dat het probleem veroorzaakt. Het succes van deze operatie hangt volledig af van het vinden van het exacte startpunt van de elektrische storm, ook wel de seizure onset zone genoemd. Momenteel vertrouwen artsen op langdurige monitoring in het ziekenhuis om een aanval te vangen terwijl deze plaatsvindt, een proces dat dagen kan duren, waarbij patiënten hun medicatie moeten stoppen en dat aanzienlijke risico's met zich meebrengt. Alternatief gebruiken ze invasieve elektroden die direct in de hersenen worden geplaatst, wat een operatie en mogelijke complicaties met zich meebrengt. Omdat het vangen van een aanval zeldzaam en moeilijk is, moeten artsen vaak raden waar het probleem ligt op basis van de rustige periodes tussen de aanvallen door, de zogenaamde interictale periodes. Deze rustige periodes bevatten minuscule, vluchtige elektrische pieken die aanwijzingen bevatten over de oorsprong van de aanval, maar deze signalen zijn vaak zwak en vervormd terwijl ze door de schedel en de hoofdhuid naar de sensoren op de oppervlakte van het hoofd reizen.

Een onderzoeker heeft een nieuw computersysteem ontwikkeld dat ontworpen is om deze rustige periodes te lezen en de waarschijnlijke locatie van de oorsprong van de aanval te pinpointen zonder de noodzaak van invasieve chirurgie of het wachten op een aanval. Zij creëerden een deep learning framework, een type kunstmatige intelligentie dat leert door middel van voorbeelden, getraind op duizenden uren aan routinematige hersengolfopnames van patiënten met medicatieresistente epilepsie. Het systeem werd geleerd om de subtiele patronen van elektrische pieken te herkennen die optreden tussen de aanvallen door en om deze toe te wijzen aan een van de zes grote regio's van de hersenen. Om dit mogelijk te maken, bouwde de onderzoeker een model dat de timing van het elektrische signaal en de locatie ervan op de hoofdhuid behandelt als twee aparte maar verbonden gebeurtenissen. Dit ontwerp helpt de computer begrijpen dat een signaal er anders uit kan zien afhankelijk van waar het wordt gemeten, waardoor de natuurlijke vervaging wordt overwonnen die optreedt wanneer elektriciteit door het hoofd reist. Het model werd getest op een grote groep patiënten en bleek zeer nauwkeurig; het identificeerde de betrokken hersenregio in het overgrote deel van de gevallen correct. Het presteerde goed op data van verschillende ziekenhuizen en op opnames van kinderen, wat suggereert dat het de natuurlijke variaties kan verwerken die in de echte medische praktijk voorkomen.

De onderzoeker cureerde een enorme dataset bestaande uit meer dan 6.000 uur aan hersengolfopnames van 100 patiënten. Zij reinigden deze data zorgvuldig door ruis te verwijderen en de manier waarop de signalen werden gemeten te standaardiseren, voordat ze de data in hun systeem voedden. De computer werd getraind om te zoeken naar specifieke vormen van elektrische pieken die variëren van een fractie van een seconde tot enkele tienden van een seconde. In plaats van te zoeken naar één enkel perfect patroon, gebruikt het systeem meerdere lagen van analyse om deze signalen op verschillende snelheden te vangen, vergelijkbaar met hoe een patholoog een weefselmonster onder verschillende vergrotingen bekijkt om zowel fijne details als bredere structuren te zien. Zodra het systeem deze signalen identificeert, gebruikt het een gespecialiseerde methode om te beslissen uit welk deel van de hersenen ze kwamen. Dit doet het door de vraag van "wanneer" het signaal plaatsvond te scheiden van de vraag van "waar" het werd opgenomen, waardoor het de weg van de elektrische activiteit duidelijker kan traceren dan eerdere methoden.

De resultaten van dit onderzoek zijn veelbelovend. Wanneer het systeem werd getest op een groep patiënten die het nog nooit eerder had gezien, identificeerde het de seizure onset zone in bijna 89 procent van de sessies correct. Deze prestatie was aanzienlijk beter dan die van bestaande computermodellen, die vaak moeite hebben met het onderscheiden van verschillende hersenregio's bij het werken met standaard, niet-invasieve opnames. Het systeem vertoonde ook een opmerkelijke betrouwbaarheid toen het werd getest op een aparte groep patiënten uit een ander ziekenhuis, inclusief veel kinderen, waarbij een nauwkeurigheid van meer dan 84 procent werd behaald. Misschien wel het belangrijkste is dat het systeem geen valse alarmen gaf toen het werd getest op opnames van gezonde mensen zonder geschiedenis van epilepsie, waarbij het correct identificeerde dat er geen epileptische activiteit te rapporteren was. Dit vermogen om echte hersensignalen te onderscheiden van onschadelijke ruis is cruciaal voor klinisch gebruik, aangezien het betekent dat het hulpmiddel erop kan worden vertrouwd om alleen de gevallen te markeren die echt de aandacht van een arts vereisen.

Naast nauwkeurigheid biedt het systeem een dramatische verbetering in snelheid. Een volledige 24-uurs opname van hersenactiviteit, die normaal gesproken uren of zelfs dagen handmatige beoordeling door een team van experts vereist, kan door dit systeem in slechts iets meer dan vier minuten worden verwerkt. De eigenlijke tijd die de computer besteedt aan het analyseren van de hersengolven is minder dan acht seconden; de rest van de tijd wordt besteed aan het simpelweg lezen van de databestanden en het voorbereiden ervan voor analyse. Deze snelheid suggereert dat het hulpmiddel snel patiënten kan screenen, waarbij de meest waarschijnlijke gebieden van belang worden gehighlight voor een specialist om in detail te beoordelen. De onderzoeker benadrukt dat dit systeem niet bedoeld is om het oordeel van een neuroloog te vervangen, maar om als een krachtige assistent te fungeren. Door het zoekgebied te verkleinen en een duidelijke, op data gebaseerde suggestie te geven van waar de aanval mogelijk begint, kan het artsen helpen bij het plannen van preciezere operaties en de noodzaak voor patiënten om langdurige, risicovolle monitoring of invasieve procedures te ondergaan, te verminderen.

De studie onderzocht ook hoe goed het systeem werkt wanneer het niet over specifieke markers beschikt die precies aangeven wanneer een piek optrad, wat een realistische scenario simuleert waarin een arts misschien geen perfect logboek van elke gebeurtenis heeft. Zelfs onder deze omstandigheden behield het systeem een hoog niveau van nauwkeurigheid en identificeerde het de hersenregio in ongeveer twee derde van de gevallen correct, wat een significante verbetering is ten opzien van een willekeurige kans. De onderzoeker vond dat het systeem bijzonder goed was in het identificeren van aanvallen in de frontale en temporale lobben, wat de meest voorkomende locaties voor epilepsie zijn. Hoewel het iets minder nauwkeurig was voor de occipitale lob aan de achterkant van het hoofd, waarschijnlijk door de moeilijkheid om signalen uit dat gebied door de schedel te detecteren, slaagde het systeem er nog steeds in om deze gevallen vaker te identificeren dan voorgaande methoden. De onderzoeker merkte ook op dat het systeem leerde om veelvoorkomende afleidingen, zoals spierbewegingen of oogknipperingen, die andere computerprogramma's vaak in verwarring brengen, te negeren, omdat het zich richtte op de specifieke manier waarop elektrische signalen door de hersenen reizen in plaats van alleen op hun vorm.

Dit werk vormt een belangrijke stap vooruit in het veiliger en efficiënter maken van de behandeling van epilepsie. Door te bewijzen dat routinematige, niet-invasieve hersenopnames voldoende informatie bevatten om de bron van aanvallen met hoge precisie te lokaliseren, heeft de onderzoeker een nieuw pad voor diagnose geopend. Het vermogen van het systeem om te generaliseren over verschillende patiëntengroepen, inclusief kinderen en volwassenen uit verschillende ziekenhuizen, suggereert dat het een betrouwbaar hulpmiddel kan zijn voor klinieken wereldwijd. Hoewel de onderzoeker erkent dat verdere tests nodig zijn om deze bevindingen in prospectieve klinische studies te bevestigen, bieden de huidige resultaten een sterk fundament voor een toekomst waarin patiënten sneller en nauwkeuriger een diagnose kunnen krijgen zonder de noodzaak van invasieve procedures. Het hulpmiddel dient als een brug tussen de complexe, ruisige realiteit van hersengolfdata en de heldere, actiegerichte informatie die artsen nodig hebben om hun patiënten te helpen.