Detection of Epileptogenic Focal Cortical Dysplasia Using Graph Neural Networks
Notice bibliographique
Résumé
Importance: 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. Objective: To evaluate the efficacy and interpretability of graph neural networks in automatically detecting FCD lesions on MRI scans. Design, Setting, and Participants: 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. Main Outcomes and Measures: Sensitivity, specificity, and positive predictive value (PPV) of automatically identified lesions. Results: 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. Conclusions and Relevance: 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.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».