在手术中检测损伤:来自对机器学习算法的前性评估的教训

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 儿童耐药性往往需要精确地定位发作区 (SOZ) 进行手术规划.
• 焦点皮层发育不良 (FCD) 是儿科的常见原因,其准确的检测对于成功的手术结果至关重要.
• 立体电脑图 (SEEG) 是一种侵入性神经生理学方法,用于在非侵入性方法不足时精确定位SOZ.

研究的目的:

• 未来评估基于机器学习的病变检测算法,用于在接受SEEG的儿科患者中识别FCD.
• 评估算法在SEEG程序中帮助识别和采样SOZ的能力.
• 确定将该算法集成到药物耐药性的术前评估工作流程中的临床实用性和安全性.

主要方法:

• 进行了一项前性单臂干预研究,涉及患有耐药性的儿童.
• 从接受SEEG患者的结构性MRI数据被FCD病变检测算法分析,以确定潜在的发作发作区域.
• 该研究评估了根据算法指导的额外SEEG电极放置是否针对SOZ,主要结果是SOZ内的额外电极接触患者的比例.

主要成果:

• 纳入了20名儿科患者 (平均年龄为12岁);其中一人没有接受SEEG.
• 在19名患者中,在SOZ中发现了1名患者的额外电极接触,在19名患者中,在SOZ中发现了3名患者 (已经植入) 的算法识别的集群.
• 在9名患者身上植入了16个额外的电极,没有任何不良事件. 该算法改变了19名患者中的1名的切除边界,在手术后成为无的患者.

结论:

• 该研究证明了用于FCD检测的机器学习算法的早期前性临床验证,以协助在儿科SEEG中识别SOZ.
• 算法与SOZ的分离发生在19名患者中的4名中,并且在一个案例中影响了切除计划.
• 虽然该算法并没有增加确诊的SOZ患者的总体比例,但所吸取的经验教训强调在例行临床采用之前需要进行强有力的前性评估.