Ontwikkeling van algoritmen om klinische uitkomst te voorspellen na licht traumatisch hersenletsel met behulp van magnetische resonantie beeldvorming.

Een traumatisch hersenletsel (TBI) is een plotselinge beschadiging van de hersenen als gevolg van een externe kracht op het hoofd. Wereldwijd zijn er jaarlijks 50 miljoen TBI-gevallen, waarvan meer dan 2,5 miljoen in Europa. Milde TBI (mTBI) gevallen maken meer dan 85% van de hoofdletsels uit. In tot 40% van de gevallen kan het herstel na een lichte TBI onvolledig zijn, waarbij patiënten nog maanden tot jaren na het letsel motorische en psychische stoornissen hebben. Magnetische resonantiebeeldvorming (MRI) is een nuttig instrument om de omvang van de hersenbeschadiging vast te stellen en wordt in de klinische praktijk routinematig toegepast. Echter, patiënten met mTBI vertonen vaak geen afwijkingen op conventionele MRI, ondanks veranderingen in gedrag of cognitieve stoornissen. Deze observatie geeft aan dat sommige microstructurele veranderingen in de hersenen niet kunnen worden gedetecteerd door conventionele MRI, maar wel belangrijke determinanten kunnen zijn van de klinische uitkomst van een patiënt. Een aantal studies die gebruik maakt van meer geavanceerde diffusie MRI (dMRI) hebben veranderingen in diffusieparameters gerapporteerd die geassocieerd zijn met zinvolle klinische metingen, zoals cognitieve en functionele stoornissen bij mTBI. Momenteel kunnen radiologen en neurologen de uitkomst van mTBI-patiënten niet voorspellen op basis van conventionele MRI-beelden. Recente ontwikkelingen op het gebied van machine learning methoden hebben aangetoond dat de uitkomst voorspelling kan worden verbeterd door het combineren van meerdere klinische parameters. Wij hebben eerder Support Vector Machine-algoritmen gebruikt voor uitkomst predictie van mTBI-patiënten op basis van voxel-afhankelijke analyse van FLAIR-, SWI-, FA- en MD-beelden. In een volgende stap willen we Deep Learning algoritmen onderzoeken voor deze uitkomst voorspelling. Deep learning wordt mogelijk gemaakt door neurale netwerken die de neuronen in het menselijk brein nabootsen en die autonoom leren van data. Specifiek zullen we een convolutionele neurale netwerken (CNN) gebaseerde methodes implementeren voor uitkomstvoorspelling bij mTBI, gebruikmakend van conventionele en diffusie MRI van het multi-site CENTER-TBI project. Goed versus onvolledig herstel zal gedichotomiseerd worden aan de hand van de uitgebreide Glasgow Coma Scale (GOSE) score, geëvalueerd op 6 maanden na het letsel. Uiteindelijk zou een betere uitkomst voorspelling van mTBI kunnen helpen bij de risicostratificatie om mTBI-patiënten met een slechte uitkomst vroegtijdig te identificeren en hun beleid beter te organiseren.

Trefwoorden:NEURO-INFORMATICA

Disciplines:Diagnostische radiologie