Hyppää pääsisältöön

Tarkenna hakuasi

Snellmanian aula Kuopion kampuksella.

Tekoäly auttaa tunnistamaan epilepsiaa aiheuttavan kehityshäiriön

Tutkijoiden kehittämä, syväoppimiseen perustuva työkalu auttaa tunnistamaan epilepsiaa aiheuttavan aivojen kehityshäiriön digitaalisista mikroskooppikuvista. Kansainvälisessä tutkimuksessa kehitetty työkalu esiteltiin Neural Computing and Applications -tiedelehdessä.

Fokaaliset kortikaaliset dysplasiat (FCD) ovat aivojen kehityshäiriöitä, jotka voivat aiheuttaa epilepsian. Lääkehoidolle vastaamattomien epilepsioiden syynä on usein FCD, joka voi kuitenkin olla hoidettavissa epilepsiakirurgialla.

Fokaalisen eli paikallisalkuisen epilepsian syytä ja sopivaa jatkohoitoa pyritään nykyisin selvittämään leikkauksessa otetusta kudosnäytteestä valomikroskopian avulla. Tällaisten näytteiden arviointi on kuitenkin erittäin haastavaa.

Nyt julkaistussa tutkimuksessa kehitettiin avoimeen syväoppimiseen perustuva luokittelutyökalu, joka arvioi FCD-muutoksia aivokudosnäytteistä skannatuista digitaalisista mikroskooppikuvista. Työkalu tunnistaa erilaiset FCD-alatyypit kansainvälisen epilepsialiiton ILAEn luokituksen mukaisesti.

–  Tekoäly on muuttamassa patologien työtä perustavaa laatua olevalla tavalla. Viime kädessä ihminen eli patologi on vastuussa näytteen perusteella tehtävästä diagnoosista, mutta tekoäly tulee epäilemättä toimimaan eräänlaisena patologin ”tukiälynä” helpottaen diagnostiikkaa, toteaa tutkimukseen osallistunut neuropatologi, kliininen opettaja Tuomas Rauramaa KYSistä ja Itä-Suomen yliopiston kliinisen lääketieteen yksiköstä.

Tutkimuksessa koulutettiin syväoppiva konvoluutioneuroverkko (CNN) tunnistamaan FCD-muutokset aivokudosnäytteistä skannatuista digitaalisista WSI (whole slide image) -kuvista. Kuvat olivat 125 potilaalta, joiden aivoissa oli eriasteisia ja -tyyppisiä FCD-muutoksia. Vertailuaineistona oli 198 ruumiinavauksessa otettua aivonäytettä 59 potilaalta, joilla ei ollut neurologisia sairauksia. Luokittelutyökalu pystyi tunnistamaan 25 anatomista aluetta sekä erilaiset FCD-muutokset 98,8 prosentin tarkkuudella.

Lisätietoja:

Neuropatologi, kliininen opettaja, apulaisylilääkäri Tuomas Rauramaa, Itä-Suomen yliopisto ja KYS, https://uefconnect.uef.fi/henkilo/tuomas.rauramaa/

Tutkimusartikkeli (Open Access):

Vorndran J, Neuner C, Coras R, Hoffmann L, Geffers S, Honke J, Herms J, Roeber S, Hamer H, Brandner S, Hartlieb T, Pieper T, Kudernatsch M, Bien CG, Kalbhenn T, Simon M, Adle-Biassette H, Cienfuegos J, Di Giacomo R, Garbelli R, Miyata H, Mühlebner A, Raicevic S, Rauramaa T, Rogerio F, Blümcke I & Jabari S. A deep learning-based histopathology classifier for Focal Cortical Dysplasia. Neural Comput & Applic (2023). https://doi.org/10.1007/s00521-023-08364-9