AI 发现缺失的 MRI 病变

洛杉矶 — 根据一项新的研究，开源人工智能 (AI) 模块可以帮助识别人类审查人员错过的 MRI 癫痫病灶，包括局灶性皮质发育不良 (FCD) 和海马硬化。

据在会议上发言的医学博士 Sophie Adler 表示，估计 42%-55% 接受手术但 MRI 结果呈阴性的成人和儿童癫痫患者患有 FCD，这是皮质发育畸形。美国癫痫协会 (AES) 2024 年第 78 届年会。

人们已经做出了各种努力来使用自动化机器学习来识别 FCD。英国伦敦大学学院的医学生阿德勒和同事开发了一个开源机器学习程序，发表到 2022 年，该项目使用神经网络进行 FCD 检测，该网络基于来自全球 22 个癫痫中心的 618 名癫痫患者和 397 名对照者的 33 个表面特征。他们在一半队列中训练和交叉验证网络，然后在另一半队列中进行测试，其敏感性为 59%，特异性为 54%。在包含病灶周围的边界后，特异性提高到 67%，这解决了手动描绘的病灶掩模边界周围的不确定性。

阿德勒指出，低收入国家的代表人数很少。“这是我们在解释结果时真正需要考虑解决和思考的问题，这些方法是根据某些中心的数据进行训练的，不一定能完全代表世界，”她说。

该算法检查大脑的每个表面点并确定它是否类似于病变。这导致 63% 的 MRI 阴性患者发现了病变，但也导致了大量的假阳性，导致神经科医生付出了大量努力来审查和确认这些发现，而这已被发现是阿德勒表示，这是其他人工智能方法的一个问题。

为了解决这个问题，该小组采用了图卷积神经网络。– 该卷积神经网络不是仅仅查看皮质表面上的每个点并必须做出“这是正常还是异常”的决定，而是可以建立对该点的邻居的理解以及它的邻居——邻居，并利用它来建立对整个半球的理解，从而能够了解大脑中的上下文，”阿德勒说。

该策略减少了误报，将阳性预测值提高到 67%。“因此，如果算法发现某些东西，则有近 70% 的可能性确实是 FCD，但我们仍然能够找到人类遗漏的约 65% 的病变，”Adler 说。

该小组目前正在与放射科医生和外科医生合作，将该算法引入临床实践，并与两名外科医生合作进行临床试验，利用该算法在植入电极之前识别可疑病变。

她还强调了该软件的开源性质，该小组正在举办研讨会来培训临床医生和研究人员使用该软件。

Adler 表示，该小组还开发了一种检测海马硬化的算法，约 10% 的 MRI 漏检病变是由海马硬化引起的。它依赖于类似的表面特征方法和归一化方法，该小组现在正在努力将两者合并到一个算法中。“在寻找我们看不到的病变方面，我们现在拥有发现 FCD、海马硬化症的算法，并且我们正在迈向多病理检测，”Adler 说。

在演讲结束后的问答环节，一位听众询问了临床影像解读中经常出现的分歧，并呼吁加强标准化。“这将更好地融入一些大数据分析中，”他说。Sara Inati 医学博士在会议上谈到了新的成像方法，她同意国际抗癫痫联盟的重要性影像标准。——我认为，如果人们开始遵循这些协议，并在各个中心实际执行类似的协议，这实际上有助于……这样你就可以更轻松地使用这些机器。但我认为你还触及了另一个重要的观点，那就是大多数放射科医生或神经科医生当然没有足够的能力来创建这些复杂的模型。我认为[阿德勒和其他人]一直在努力做的是让我们更容易理解这一点，并且当他们努力制定所有技术细节时，我认为希望临床医生能够更容易地采用它。我认为我们才刚刚开始实现这一目标，但我认为这种情况不会在 2025 年实现，”NINDS 校内研究项目的助理临床研究员 Inati 说道。

伊纳蒂和阿德勒没有相关的财务披露。