Diffusions-MRT-Methoden zur Minimierung postoperativer Defizite in der pädiatrischen Epilepsiechirurgie

Dieses Projekt wird fortschrittliche Gehirn-MRT mit einer detaillierten neuropsychologischen Bewertung kombinieren, die bei Kindern und Jugendlichen durchgeführt wird, die von arzneimittelresistenter fokaler Epilepsie betroffen sind, um zwei Hauptziele zu erreichen, die jeweils mit den folgenden Forschungshypothesen verbunden sind:

ZIEL 1. Bestimmung der Genauigkeit einer Deep-Learning-Traktographie-basierten Nutzen-Risiko-Analyse im Vergleich zu einer standardmäßigen Elektrostimulationskartierung (ESM), die der aktuelle klinische Standard zur Erkennung eloquenter kortikaler Regionen vor Epilepsieoperationen ist.

Hypothese 1.1 Bei gesunden Kontrollen wird die DCNN-basierte Traktklassifizierung eloquente Cortices lokalisieren, die sich sowohl bei der Einzelschalen-DWI-Erfassung als auch bei der generalisierten Q-Sampling-Bildgebung signifikant überlappen, was darauf hindeutet, dass die Genauigkeit dieses Ansatzes möglicherweise nicht wesentlich durch das Erfassungsprotokoll beeinflusst wird.

Hypothese 1.2 Die DCNN-basierte Traktklassifizierung erreicht eine Genauigkeit von mindestens 93 % für die prospektive Erkennung von ESM-definierten eloquenten Cortices, einschließlich Patienten mit einer hohen Wahrscheinlichkeit einer funktionellen Reorganisation.

Hypothese 1.3 Die Erhaltung von DCNN-klassifizierten eloquenten Bahnen der weißen Substanz während der Operation wird die Vermeidung postoperativer Defizite ebenso genau vorhersagen wie die Erhaltung des ESM-definierten eloquenten Cortex.

Hypothese 1.4 Die durch den Kalman-Filter auf retrospektiven Daten optimierte Erhaltung der chirurgischen Ränder wird eine Anfallskontrolle und die Vermeidung postoperativer Defizite in einer prospektiven chirurgischen Patientenkohorte erreichen.

Zu diesem Zweck werden die Forscher die Genauigkeit eines kürzlich entwickelten Deep-Learning-basierten Nutzen-Risiko-Modells testen, das als DCNN-Traktklassifizierung (Deep Convolutional Neural Network) in Kombination mit Kalman-Filteranalyse für die nicht-invasive Erkennung von eloquenten Bahnen der weißen Substanz bezeichnet wird Optimierung des Operationsrandes (d. h. des Abstands zwischen epileptogenem Areal und eloquentem Areal), was zu Anfallsfreiheit und Vermeidung funktioneller Defizite führt. Das Versäumnis, eloquente Bereiche in der vorgeschlagenen Resektionsregion zu identifizieren, kann möglicherweise lebenslange Folgen haben, und eine Überschätzung oder falsche Lokalisierung der Ausdehnung der eloquenten Regionen kann zu einer unvollständigen Resektion der epileptogenen Zone führen. Ohne Optimierung des Nutzen-Risiko-Verhältnisses ist der akzeptable Mindestabstand bei verschiedenen Einstellungen sehr unterschiedlich und reicht von 0 bis 2 cm in Epilepsie-Chirurgiezentren. Die Forscher werden untersuchen, ob das vorgeschlagene Nutzen-Risiko-Modell die Epilepsiechirurgie einzelner Patienten standardisieren (oder anpassen) kann, indem die Ränder der zu erhaltenden eloquenten Bahnen der weißen Substanz genau optimiert werden, was letztendlich wesentlich ist, um den Nutzen der Anfallsfreiheit mit dem auszugleichen Risiko einer Funktionseinschränkung. Dieser vorgeschlagene neue Bildgebungsansatz könnte die klinische Praxis in der pädiatrischen Epilepsiechirurgie verändern und ist für andere Arten von neurochirurgischen Eingriffen wie Tumorresektion weit verbreitet.

ZIEL 2. Bestimmung der Genauigkeit der Deep-Learning-basierten Connectom-Analyse zur Vorhersage einer langfristigen neurokognitiven Verbesserung nach einer Epilepsie-Operation.

Hypothese 2.1 Konnektivitätseffizienzen, die in spezifischen modularen Netzwerken von präoperativen DCNN-basierten Konnektomen erhalten bleiben und die mit postoperativen funktionellen Verbesserungen auf retrospektiven Daten assoziiert sind, werden die langfristige funktionelle Verbesserung in einer potenziellen Patientenkohorte genau vorhersagen.

Hypothese 2.2 Eine längere Epilepsiedauer wird signifikant mit einer geringeren Effizienz im modularen Netzwerk des präoperativen DCNN-basierten Connectoms für den IQ in vollem Umfang assoziiert sein, was darauf hindeutet, dass eine frühere Operation zu einer besseren langfristigen Verbesserung des IQ im vollen Umfang führt.

Hypothese 2.3 Patienten mit ipsilateralen Resektionen, die Anzeichen von postoperativem „Crowding“ zeigen (d. h. verbale IQ-Verbesserung auf Kosten der nonverbalen Funktion), werden eine verringerte Effizienz im nonverbalen und eine erhöhte Effizienz im verbalen IQ-Netzwerk von DCNN-basierten zeigen Connectom in der kontralateralen Hemisphäre.

Zu diesem Zweck werden die Forscher testen, ob ein fortschrittlicher DWMRI-Ansatz, der DCNN und Konnektom integriert, bei der Entscheidung über eine rechtzeitige Operation hilft, indem er 1) präoperative Bildgebungsmarker liefert, die einer hohen Wahrscheinlichkeit postoperativer neurokognitiver Verbesserungen zugrunde liegen, und 2) mechanistische Einblicke in die strukturelle Gehirnreorganisation im Zusammenhang mit einer postoperativen verbalen IQ-Verbesserung . Eine Reihe von präoperativen Bildgebungsmarkern, die als „lokale Effizienz“ bezeichnet werden und quantifizieren, wie effizient die neuronale Verbindung von benachbarten Regionen geteilt wird, wird auf den Ebenen spezifischer modularer Netzwerke bewertet. Wir erwarten, dass diese Marker langfristige und spezifische neurokognitive Folgen (und potenzielle Prädiktoren dafür) im Zusammenhang mit chirurgischen Eingriffen und ihre neuralen Korrelate für spezifische neurokognitive Funktionen identifizieren können. Darüber hinaus wird die mit einem funktionellen Crowding-Effekt verbundene neuronale Remodellierung, die mit dem DWMRI-Connectom untersucht wurde, das durch die DCNN-Traktklassifizierung verbessert wurde, einen neuen mechanistischen Einblick in kompensatorische Prozesse für die verbale IQ-Funktion bei Kindern und Jugendlichen liefern, die sich einer resektiven Operation zur Behandlung von arzneimittelresistenten Herden unterziehen Epilepsie.