Objective: To develop a system for preoperative prediction of individual activations of motor and speech areas in patients with brain gliomas using resting state fMRI (rsfMRI), task-based fMRI (tb-fMRI), direct cortical stimulation and machine learning methods.
Material and methods: Thirty-three patients with gliomas (19 females and 14 males aged 19 - 540) underwent DCS-assisted resection of tumor (19 ones with lesion of motor zones and 14 patients with lesions of speech areas). Awake craniotomy was performed in 14 cases. Preoperative mapping was performed according to special MRI protocol (T1, tb-fMRI, rs-fMRI).
Machine learning system was built on open source data from The Human Connectome Project. MR data of 200 healthy subjects from this database were used for system pre-training. Further, this system was trained on the data of our patients with gliomas.
Results: In DCS, we obtained 332 stimulations including 173 with positive response. According to comparison of functional activations between rs-fMRI and tb-fMRI, there were more positive DCS responses predicted by rs-fMRI (132 vs 112). Non-response stimulation sites (negative) prevailed in tb-fMRI activations (69 vs 44).
Conclusion: The developed method with machine learning based on resting state fMRI showed greater sensitivity compared to classical task-based fMRI after verification with DCS: 0.72 versus 0.66 (p<0.05) for identifying the speech zones and 0.79 versus 0.62 (p<0.05) for motor areas.
Цель исследования: На основе данных функциональных магнитно-резонансных томографических (фМРТ) исследований — покоя (фМРТп) и стимул-зависимой (фМРТс), а также интраоперационного картирования методом прямой электростимуляции коры (ЭСК) головного мозга разработать с использованием методов машинного обучения систему предсказаний индивидуальной активации моторной и речевой областей для предоперационного планирования у пациентов с глиомами головного мозга.
Материал и методы: Удаление опухоли с применением ЭСК выполнено 33 пациентам (19 женщин, 14 мужчин в возрасте 19—54 лет) с глиомами больших полушарий (19 — с локализацией в моторной области, 14 — в речевой). Краниотомия с пробуждением выполнена 14 пациентам. Дооперационное картирование осуществлялось по результатам МРТ (3T) и выполнено всем пациентам по разработанному протоколу (T1, фМРТс, фМРТп). Для построения предсказательной системы с машинным обучением использованы данные открытых источников Human Connectome Project (HCP). Из этой базы данные 200 здоровых испытуемых получены для предобучения системы; далее система «дообучалась» на данных пациентов с глиомами.
Результаты: При ЭСК выполнены 332 стимуляции корковых зон, из них 173 с положительным ответом. По результатам сопоставлений зон активации фМРТп с фМРТс положительных ответов при ЭСК оказалось больше в зонах, предсказанных фМРТп (132 по сравнению с 112); точки стимуляции без ответа (отрицательные точки) преобладали в зонах активации фМРТс (69 и 44 соответственно).
Заключение: Разработанный метод предсказания сетевых активаций при функциональной магнитно-резонансной томографии состояния покоя с применением машинного обучения показал большую чувствительность по сравнению с классической функциональной стимул-зависимой магнитно-резонансной томографией при верификации методом электрической стимуляции коры головного мозга: при идентификации речевых зон 0,72 по сравнению с 0,66 (p<0,05), при идентификации моторных — 0,79 по сравнению с 0,62 (p<0,05).
Keywords: brain MRI; brain mapping; direct cortical stimulation; functional MRI; machine learning; preoperative planning; resting state fMRI.