El proyecto Multicentre Epilepsy Lesion Detection (MELD) utilizó más de 1.000 resonancias magnéticas de pacientes de 22 centros de epilepsia de todo el mundo para desarrollar el algoritmo, que proporciona informes sobre dónde se encuentran las anomalías en los casos de displasia cortical focal resistente a los medicamentos (DCF), una de las principales causas de epilepsia.

Las DCF son zonas del cerebro que se han desarrollado de forma anormal y suelen causar epilepsia resistente a los medicamentos. Suelen tratarse con cirugía, pero identificar las lesiones a partir de una resonancia magnética es un reto constante para los médicos, ya que las resonancias magnéticas de las DFC pueden parecer normales.

Para desarrollar el algoritmo, el equipo cuantificó las características corticales de las resonancias magnéticas, como el grosor o el pliegue de la superficie de la corteza cerebral, y utilizó unas 300.000 localizaciones en el cerebro.

A continuación, los investigadores entrenaron el algoritmo con ejemplos etiquetados por radiólogos expertos como cerebros sanos o con DCF, en función de sus patrones y características.

Los resultados, publicados en la revista Brain, revelaron que, en general, el algoritmo fue capaz de detectar la DCF en el 67% de los casos de la cohorte (538 participantes).

Anteriormente, 178 de los participantes habían sido considerados negativos para la resonancia magnética, lo que significa que los radiólogos no habían podido encontrar la anomalía; sin embargo, el algoritmo MELD fue capaz de identificar la DCF en el 63% de estos casos.

Esto es especialmente importante, ya que si los médicos pueden encontrar la anomalía en el escáner cerebral, la cirugía para eliminarla puede proporcionar una cura.

La coautora, Mathilde Ripart (Instituto de Salud Infantil de la UCL Great Ormond Street) dijo: «Hicimos hincapié en crear un algoritmo de IA que fuera interpretable y pudiera ayudar a los médicos a tomar decisiones. Mostrar a los médicos cómo el algoritmo MELD hacía sus predicciones fue una parte esencial de ese proceso».

El Dr. Konrad Wagstyl (Instituto de Neurología Queen Square de la UCL), coautor del estudio, añadió: «Este algoritmo podría ayudar a encontrar más de estas lesiones ocultas en niños y adultos con epilepsia, y permitir que más pacientes con epilepsia sean considerados para una cirugía cerebral que podría curar la epilepsia y mejorar su desarrollo cognitivo.

Alrededor del 1% de la población mundial padece la grave enfermedad neurológica de la epilepsia, que se caracteriza por frecuentes crisis.

Aunque existen tratamientos farmacológicos para la mayoría de las personas con epilepsia, el 20-30% no responde a los medicamentos.

En los niños que han sido operados para controlar su epilepsia, la DCF es la causa más común, y en los adultos es la tercera causa más común.

Además, de los pacientes con epilepsia que tienen una anomalía en el cerebro que no se puede encontrar en las resonancias magnéticas, la DGF es la causa más común.

La Dra. Hannah Spitzer (Helmholtz, Múnich), coautora del estudio, ha declarado «Nuestro algoritmo aprende automáticamente a detectar lesiones a partir de miles de escáneres de resonancia magnética de pacientes. Puede detectar de forma fiable lesiones de distintos tipos, formas y tamaños, e incluso muchas de las que antes pasaban desapercibidas para los radiólogos».

La Dra. Sophie Adler (UCL Great Ormond Street Institute of Child Health), coautora del estudio, añadió: «Esperamos que esta tecnología ayude a identificar las anomalías causantes de la epilepsia que actualmente se pasan por alto. En última instancia, podría permitir que más personas con epilepsia se sometan a una cirugía cerebral potencialmente curativa».

Este estudio sobre la detección de FCD utiliza la mayor cohorte de MRI de FCD hasta la fecha, lo que significa que es capaz de detectar todos los tipos de FCD.

La herramienta de clasificación de FCD de MELD puede ejecutarse en cualquier paciente con sospecha de tener un FCD que tenga más de 3 años de edad y tenga una resonancia magnética.

Fuentes:

Spitzer H, Ripart M, Whitaker K, D’Arco F, Mankad K, Chen AA, Napolitano A, De Palma L, De Benedictis A, Foldes S, Humphreys Z, Zhang K, Hu W, Mo J, Likeman M, Davies S, Güttler C, Lenge M, Cohen NT, Tang Y, Wang S, Chari A, Tisdall M, Bargallo N, Conde-Blanco E, Pariente JC, Pascual-Diaz S, Delgado-Martínez I, Pérez-Enríquez C, Lagorio I, Abela E, Mullatti N, O’Muircheartaigh J, Vecchiato K, Liu Y, Caligiuri ME, Sinclair B, Vivash L, Willard A, Kandasamy J, McLellan A, Sokol D, Semmelroch M, Kloster AG, Opheim G, Ribeiro L, Yasuda C, Rossi-Espagnet C, Hamandi K, Tietze A, Barba C, Guerrini R, Gaillard WD, You X, Wang I, González-Ortiz S, Severino M, Striano P, Tortora D, Kälviäinen R, Gambardella A, Labate A, Desmond P, Lui E, O’Brien T, Shetty J, Jackson G, Duncan JS, Winston GP, Pinborg LH, Cendes F, Theis FJ, Shinohara RT, Cross JH, Baldeweg T, Adler S, Wagstyl K.
Interpretable surface-based detection of focal cortical dysplasias: a Multi-centre Epilepsy Lesion Detection study.
Brain. 2022 Aug 12:awac224. doi: 10.1093/brain/awac224