Diffusions-MR-metoder til at minimere postoperative underskud i pædiatrisk epilepsikirurgi

Dette projekt vil kombinere avanceret hjerne-MRI med detaljeret neuropsykologisk evaluering, udført hos børn og unge, der er ramt af lægemiddelresistent fokal epilepsi, for at løse to hovedformål, hver af dem med følgende forskningshypoteser:

MÅL 1. For at bestemme nøjagtigheden af ​​deep learning traktografi-baseret fordel-risiko-analyse sammenlignet med en standard elektrisk stimulation mapping (ESM), som er den nuværende kliniske standard for påvisning af veltalende kortikale områder før epilepsikirurgi.

Hypotese 1.1 I raske kontroller vil DCNN-baseret traktatklassificering lokalisere veltalende cortex, som er signifikant overlappet ved både enkeltskal DWI-optagelse og generaliseret Q-sampling-billeddannelse, hvilket tyder på, at nøjagtigheden af ​​denne tilgang muligvis ikke påvirkes væsentligt af erhvervelsesprotokollen.

Hypotese 1.2 DCNN-baseret kanalklassifikation vil opnå mindst 93 % nøjagtighed for prospektiv påvisning af ESM-definerede veltalende cortex, herunder patienter med høj sandsynlighed for funktionel reorganisering.

Hypotese 1.3 Bevarelse af DCNN-klassificerede veltalende veje for hvidt stof under kirurgi vil forudsige undgåelse af postoperative underskud lige så præcist som bevarelse af ESM-defineret veltalende cortex.

Hypotese 1.4 Bevarelse af kirurgiske marginer optimeret af Kalman-filter på retrospektive data vil opnå anfaldskontrol og undgåelse af postoperative underskud i en prospektiv kirurgisk patientkohorte.

I dette mål vil efterforskerne teste nøjagtigheden af ​​en nyligt udviklet deep learning-baseret fordel-risiko-model, kaldet deep convolutional neural network (DCNN) traktatklassifikation kombineret med Kalman-filteranalyse, til ikke-invasiv påvisning af veltalende veje for hvidt stof og optimering af kirurgisk margin (dvs. afstanden mellem epileptogent område og veltalende område), hvilket resulterer i anfaldsfrihed og undgåelse af funktionelle mangler. Manglende identifikation af veltalende områder i den foreslåede resektionsregion kan have potentielt livslange konsekvenser, og overvurdering eller forkert lokalisering af omfanget af de veltalende områder kan føre til ufuldstændig resektion af den epileptogene zone. Uden at optimere fordele-risiko-forholdet er den mindst acceptable margen meget variabel på tværs af forskellige indstillinger, der spænder fra 0 til 2 cm på tværs af epilepsikirurgiske centre. Efterforskerne vil undersøge, om den foreslåede fordel-risiko-model kan standardisere (eller tilpasse) epilepsikirurgi hos individuelle patienter ved nøjagtigt at optimere marginerne af de veltalende hvide stof-veje, der skal bevares, hvilket i sidste ende er afgørende for at balancere fordelen ved anfaldsfrihed med risiko for funktionsunderskud. Denne foreslåede nye billedbehandlingstilgang kan ændre klinisk praksis for pædiatrisk epilepsikirurgi og er bredt anvendelig til andre typer neurokirurgiske procedurer såsom tumorresektion.

MÅL 2. At bestemme nøjagtigheden af ​​deep learning-baseret connectomanalyse til forudsigelse af langsigtet neurokognitiv forbedring efter epilepsikirurgi.

Hypotese 2.1 Konnektivitetseffektiviteter bevaret i specifikke modulære netværk af præoperativt DCNN-baseret connectom, fundet at være forbundet med postoperativ funktionel forbedring på retrospektive data, vil nøjagtigt forudsige langsigtet funktionel forbedring i en prospektiv patientkohorte.

Hypotese 2.2 Længere epilepsivarighed vil være signifikant forbundet med mere nedsat effektivitet i fuldskala IQ-modulnetværk af præoperativt DCNN-baseret connectom, hvilket tyder på, at tidligere operation vil give bedre langsigtet fuldskala IQ-forbedring.

Hypotese 2.3 Patienter med ipsilaterale resektioner, som viser tegn på postoperativ "crowding" (dvs. verbal IQ-forbedring på bekostning af non-verbal funktion), vil vise nedsat effektivitet i non-verbal og øget effektivitet i verbal IQ-netværk af DCNN-baseret connectom i den kontralaterale halvkugle.

I dette mål vil efterforskerne teste, om en avanceret DWMRI-tilgang, der integrerer DCNN og connectome, hjælper med at beslutte rettidig kirurgi ved at give 1) præoperative billeddannelsesmarkører, der ligger til grund for høj sandsynlighed for postoperative neurokognitive forbedringer og 2) mekanistisk indsigt i strukturel hjernereorganisering forbundet med postoperativ verbal IQ-forbedring . En række præoperative billeddannelsesmarkører kaldet "lokal effektivitet", der kvantificerer, hvor effektivt neural forbindelse deles af naboregioner, vil blive evalueret på niveauet af specifikke modulære netværk. Vi forventer, at disse markører kan identificere langsigtede og specifikke neurokognitive konsekvenser (og potentielle forudsigere for disse) forbundet med kirurgisk indgreb og deres neurale korrelater for specifikke neurokognitive funktioner. Derudover vil neuronal remodeling forbundet med en funktionel crowding-effekt, studeret med DWMRI-connectom forbedret af DCNN-kanalklassifikationen, give en ny mekanistisk indsigt i kompenserende processer for verbal IQ-funktion hos børn og unge, der gennemgår resektiv kirurgi for at behandle lægemiddelresistent fokal. epilepsi.