A epilepsia é um distúrbio neurológico causada por descargas elétricas anormais no cérebro, podendo ser resistente a medicamentos, tornando essencial um diagnóstico preciso para determinar outras opções de tratamento, como a cirurgia. Este estudo mostrou que a inteligência artificial pode ser uma ferramenta poderosa para melhorar a detecção da displasia cortical focal, um tipo de epilepsia, em exames de ressonância magnética.
A epilepsia é um distúrbio neurológico caracterizado por crises recorrentes, causadas por descargas elétricas anormais no cérebro. Essas crises podem variar de breves lapsos de consciência a convulsões mais intensas.
A condição pode ter diversas causas, incluindo lesões cerebrais, genética e malformações no desenvolvimento do cérebro. Em alguns casos, a epilepsia pode ser resistente a medicamentos, tornando essencial um diagnóstico preciso para determinar outras opções de tratamento, como a cirurgia.
Este estudo investigou se a inteligência artificial (IA) pode melhorar o diagnóstico de uma condição chamada displasia cortical focal (DCF), uma das principais causas de epilepsia focal resistente a medicamentos. Muitas vezes, essas lesões cerebrais são difíceis de detectar em exames de ressonância magnética, o que dificulta o diagnóstico e o tratamento adequado.
Pesquisadores utilizaram uma rede neural avançada chamada MELD Graph, um tipo de inteligência artificial que analisa imagens de ressonância magnética de forma detalhada.
Esse algoritmo conseguiu identificar 64% das lesões que antes tinham passado despercebidas por radiologistas humanos. Além disso, forneceu relatórios detalhados sobre a localização, o tamanho e a forma das lesões, aumentando a confiabilidade da detecção.
A displasia cortical focal pode ser tratada cirurgicamente em alguns casos, mas para isso, é essencial um diagnóstico preciso.
Como a inteligência artificial demonstrou ser mais eficaz do que os métodos convencionais na identificação dessas lesões, sua aplicação pode facilitar diagnósticos mais precoces e melhorar o planejamento cirúrgico. Isso pode levar a melhores resultados para pacientes com epilepsia focal, aumentando suas chances de controle das crises.
Os pesquisadores analisaram dados de ressonância magnética de 703 pacientes com epilepsia causada por displasia cortical focal, coletados de 23 centros médicos ao redor do mundo entre 2018 e 2022.
Eles treinaram a inteligência artificial usando informações de 20 desses centros e depois testaram sua eficácia em três centros diferentes para garantir que o modelo fosse confiável em diversos cenários.
Resultados principais mostraram que o MELD Graph teve 81,6% de precisão ao identificar lesões em pacientes que passaram por cirurgia e ficaram sem crises por um ano. Para pacientes cujas lesões não apareceram claramente nos exames convencionais, o algoritmo teve 63,7% de precisão.
Em comparação com outro algoritmo já existente, o MELD Graph demonstrou um valor preditivo positivo (PPV) superior, ou seja, quando indicava a presença de uma lesão, essa indicação era mais confiável.
Este estudo mostrou que a inteligência artificial pode ser uma ferramenta poderosa para melhorar a detecção da displasia cortical focal em exames de ressonância magnética.
Como a inteligência artificial é capaz de identificar lesões que muitas vezes passam despercebidas, sua implementação pode ajudar médicos a diagnosticarem essa condição com mais precisão, permitindo um tratamento mais eficaz para pacientes com epilepsia focal.
Essa figura ilustra como a inteligência artificial (IA) pode ajudar a identificar lesões cerebrais ocultas em pacientes com epilepsia. (A) Conjunto de dados: O estudo analisou exames cerebrais de 703 pacientes com epilepsia e 482 pessoas saudáveis, coletados em 23 centros ao redor do mundo. (B) Treinamento da IA: A rede neural chamada MELD Graph foi treinada para reconhecer padrões em exames de ressonância magnética e comparar suas previsões com lesões confirmadas. (C) Teste da IA: O MELD Graph detectou mais lesões e gerou menos falsos positivos do que um modelo anterior (Multilayer Perceptron), tornando seu diagnóstico mais confiável. (D) Novo exame de paciente: A IA consegue destacar áreas suspeitas em exames, ajudando os médicos a identificar lesões que antes poderiam passar despercebidas. (E) Resultados interpretáveis: O sistema fornece informações detalhadas, como tamanho da lesão e nível de confiança da previsão, além de características como contraste entre substâncias do cérebro e espessura do córtex.
LEIA MAIS:
Detection of Epileptogenic Focal Cortical Dysplasia Using Graph Neural Networks: A MELD Study
Mathilde Ripart, Hannah Spitzer, Logan Z. J. Williams, Lennart Walger, Andrew Chen, Antonio Napolitano, Camilla Rossi-Espagnet, Stephen T. Foldes, Wenhan Hu, Jiajie Mo, Marcus Likeman, Theodor Rüber, Maria Eugenia Caligiuri, Antonio Gambardella, Christopher Guttler, Anna Tietze, Matteo Lenge, Renzo Guerrini, Nathan T. Cohen, Irene Wang, Ane Kloster, Lars H. Pinborg, Khalid Hamandi, Graeme Jackson, Domenico Tortora, Martin Tisdall, Estefania Conde-Blanco, Jose C. Pariente, Carmen Perez-Enriquez, Sofia Gonzalez-Ortiz, Nandini Mullatti, Katy Vecchiato, Yawu Liu, Reetta Kalviainen, Drahoslav Sokol, Jay Shetty, Benjamin Sinclair, Lucy Vivash, Anna Willard, Gavin P. Winston, Clarissa Yasuda, Fernando Cendes, Russell T. Shinohara, John S. Duncan, J. Helen Cross, Torsten Baldeweg, Emma C. Robinson, Juan Eugenio Iglesias, Sophie Adler, Konrad Wagstyl, MELD FCD writing group, Abdulah Fawaz, Alessandro De Benedictis, Luca De Palma, Kai Zhang, Angelo Labate, Carmen Barba, Xiaozhen You, William D. Gaillard, Yingying Tang, Shan Wang, Shirin Davies, Mira Semmelroch, Mariasavina Severino, Pasquale Striano, Aswin Chari, Felice D’Arco, Kshitij Mankad, Nuria Bargallo, Saul Pascual-Diaz, Ignacio Delgado-Martinez, Jonathan O’Muircheartaigh, Eugenio Abela, Jothy Kandasamy, Ailsa McLellan, Patricia Desmond, Elaine Lui, Terence J. O’Brien and Kirstie Whitaker
JAMA Neurology, 24 February 2025
DOI: 10.1001/jamaneurol.2024.5406
Abstract:
A leading cause of surgically remediable, drug-resistant focal epilepsy is focal cortical dysplasia (FCD). FCD is challenging to visualize and often considered magnetic resonance imaging (MRI) negative. Existing automated methods for FCD detection are limited by high numbers of false-positive predictions, hampering their clinical utility. To evaluate the efficacy and interpretability of graph neural networks in automatically detecting FCD lesions on MRI scans. In this multicenter diagnostic study, retrospective MRI data were collated from 23 epilepsy centers worldwide between 2018 and 2022, as part of the Multicenter Epilepsy Lesion Detection (MELD) Project, and analyzed in 2023. Data from 20 centers were split equally into training and testing cohorts, with data from 3 centers withheld for site-independent testing. A graph neural network (MELD Graph) was trained to identify FCD on surface-based features. Network performance was compared with an existing algorithm. Feature analysis, saliencies, and confidence scores were used to interpret network predictions. In total, 34 surface-based MRI features and manual lesion masks were collated from participants, 703 patients with FCD–related epilepsy and 482 controls, and 57 participants were excluded during MRI quality control. Sensitivity, specificity, and positive predictive value (PPV) of automatically identified lesions. In the test dataset, the MELD Graph had a sensitivity of 81.6% in histopathologically confirmed patients seizure-free 1 year after surgery and 63.7% in MRI–negative patients with FCD. The PPV of putative lesions from the 260 patients in the test dataset (125 female [48%] and 135 male [52%]; mean age, 18.0 [IQR, 11.0-29.0] years) was 67% (70% sensitivity; 60% specificity), compared with 39% (67% sensitivity; 54% specificity) using an existing baseline algorithm. In the independent test cohort (116 patients; 62 female [53%] and 54 male [47%]; mean age, 22.5 [IQR, 13.5-27.5] years), the PPV was 76% (72% sensitivity; 56% specificity), compared with 46% (77% sensitivity; 47% specificity) using the baseline algorithm. Interpretable reports characterize lesion location, size, confidence, and salient features. In this study, the MELD Graph represented a state-of-the-art, openly available, and interpretable tool for FCD detection on MRI scans with significant improvements in PPV. Its clinical implementation holds promise for early diagnosis and improved management of focal epilepsy, potentially leading to better patient outcomes.
Comments