第35届国际癫痫大会（IEC 2023):一种用于检测局灶性皮质发育不良的机器学习模型

2023年第35届国际癫痫大会(IEC)将于2023年9月2日6日在爱尔兰都柏林举行。这个两年一度的会议是国际癫痫局(IBE)和国际抗癫痫联盟(ILAE)的联合合作项目。此次大会是全球癫痫专家的杰出盛会。为期五天的会议是一次真正的全球多学科会议，有机会学习、深入了解癫痫学的最新发展，并与来自 100 多个国家的广泛的专家研究人员、临床医生和医疗保健从业者分享观点。大会提供了一个面对面交流的平台，可以交流思想，并在癫痫的临床护理、研究和教育方面建立合作。

局灶性皮质发育不良（Focal cortical dysplasia, FCD）是导致耐药性癫痫的主要原因，但通过手术对癫痫发作控制的反应非常好。然而，由于FCD病变在MRI上较小，人工诊断经常被漏诊，手术的机会往往受到限制。人工智能有潜力作为一种精确和速度的病变检测解决方案。

阿肯色大学医学科学系儿科M McManis等使用了来自阿肯色州儿童医院（小石城）EMU的36例FCD患者（年龄5至19岁）的 FLAIR MRI序列。由一位经验丰富的癫痫学家和一位临床神经科学研究者使用3D切片器5.5.5（Fedorovetal.，2012）对核磁共振成像进行了注释。通过注释者之间的讨论，解决了注释中的差异。利用MRI/mask对训练一个语义分割模型。在Python 3.9和张流-GPU平台中构建机器学习（machine learning, ML）模型，并使用双GPU（NVIDIA Quadro RTX 8000）系统进行训练。ML架构是一个完全卷积神经网络（CNN），通过增加滤波器和最大池化来提取图像特征，然后使用分层反卷积神经网络生成用于MRI图像的mask。

该模型对35个患者的FLAIR MRI序列进行了500个时期的训练。Dice系数的最大值为0.88，交集值为0.86。该模型对其余患者的MRI进行了测试，诊断准确率达90.2%。

该研究证明了通过分割MRI图像来自动识别局灶性皮质异常增生病变的可行性，并通过提取图像特征来使用机器学习（ML）来突出显示可疑病变的可行性。这创造了一个比目前使用的视觉手工检查技术更详细的MRI分析，促进了更及时和有效的治疗。

原文出处

A machine learning model for the detection of focal cortical dysplasia in FLAIR MRIshttps://www.ilae.org/files/dmfile/iec-2023-abstract-book-for-website-11.8.23.pdf