Компьютерные технологии в неврологии

Неврология и информационные технологии не столь отдалённые области, как может показаться на первый взгляд. Чего стоит одна только нейросеть, при создании которой программисты вдохновлялись архитектурой головного мозга. Новые точки соприкосновения рождаются в клинической практике, использующей искусственный интеллект (ИИ), — врачам и разработчикам есть что обсудить.

Технологии выводят болезнь Альцгеймера из тени

Болезнь Альцгеймера (БА) — прогрессирующее неврологическое нарушение, которое приводит к уменьшению мозга, или атрофии, и смерти мозговых клеток. БА является причиной деменции в 60-70% случаев¹. При деменции снижается функция мозга, что приводит к ухудшению памяти и навыков мышления².

Позитронно-эмиссионная томография (ПЭТ) применяется в неврологии, чтобы исследовать обмен веществ в ткани мозга³. Метод помогает провести раннюю диагностику нарушений, ведущих к деменции, включая болезнь Альцгеймера⁴.

Учёные из Калифорнийского университета в США разработали компьютерный алгоритм, обученный анализировать ПЭТ-снимки⁵.

Для тренировки нейросети использовался набор из 2109 изображений, полученных от 1002 пациентов. Информационная модель училась на 90% данных, а тестировалась на оставшихся 10%. Она предсказывала окончательный диагноз, который будет поставлен к концу наблюдения — через 76 месяцев. Использование нейросети помогло раньше выявить болезнь Альцгеймера. ИИ показал 82% специфичности при 100% чувствительности⁵.

Специалисты из Медицинского колледжа Висконсина в США поставили похожую задачу. Но теперь учёные изучали данные другого метода в неврологии — функциональной магнитно-резонансной томографии (фМРТ). Изображение мозга разделили на 116 зон интереса, которые оценивал ИИ. Информационный анализ проходил в два этапа⁶:

1. ИИ обнаруживал клинические случаи БА, достигнув 80% специфичности при 85% чувствительности.

2. Затем алгоритм делил оставшихся пациентов на здоровых и с лёгкими когнитивными нарушениями, достигнув 90% специфичности при 93% чувствительности.

Многоцентровое исследование учёных из Китая ищет ответы в фотографиях сетчатки — светочувствительной ткани глаза. В центре внимания оказались область зрительного нерва и макула — центральная часть сетчатки. Изучая особенности нервной ткани глаза, компьютерный помощник предсказывал когнитивные нарушения⁷.

Было разработано несколько моделей, из которых наиболее сложной стала гибридная. Как работает технология⁷:

1. На вход поступают 4 фотографии сетчатки — по две анатомические зоны на каждый глаз.

2. Нейросеть исследует снимки и делает для них общий вывод.

3. Далее в анализ включаются факторы риска БА: возраст и пол, наличие гипертонии или диабета.

4. Алгоритм предсказывает вероятность деменции из-за болезни Альцгеймера.

Исследователи провели ряд тестов с разными условиями. Информационная модель показала точность от 70 до 90%⁷.

Цифровой мониторинг движений при болезни Паркинсона

Болезнь Паркинсона (БП) — расстройство мозга, которое сопровождается замедлением движений, дрожанием конечностей или скованностью. Неврологические нарушения постепенно становятся всё более выраженными⁸. БП — второе по распространённости нейродегенеративное заболевание после болезни Альцгеймера⁹. В 2019 году оно затронуло более 8,5 млн человек¹⁰.

Специалисты из Массачусетского технологического университета и клиники Мэйо разработали информационную модель, которая проводит диагностику БП во сне. При БП возникает слабость мышц, участвующих в акте дыхания, из-за дегенеративных изменений некоторых отделов мозга¹¹.

Устройства регистрировали сигналы, возникающие во время дыхания. Учёные оценили точность диагностики БП по измерениям за одну ночь¹¹:

• специальный пояс показал 80% чувствительности и 79% специфичности;

• беспроводное устройство достигло 86% чувствительности и 83% специфичности.

Компьютерной модели удалось предсказать диагноз до его постановки в 75% случаев. Исследователи рассчитывают, что использование разработки поможет отслеживать заболевание в домашних условиях¹¹.

Приложение Parky анализирует данные, полученные с часов Apple Watch. Алгоритм отслеживает двигательные симптомы БП — дрожание и непроизвольные движения — в режиме 24/7. Мониторинг помогает контролировать заболевание и подбирать лечение. Технология одобрена Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) в США¹².

Информационные решения в нейроонкологии

Технологии вносят свой вклад в борьбу со злокачественными новообразованиями головного мозга. Использование ИИ помогает выяснить многое: где находится опухоль, какие у неё размеры, как ведут себя раковые клетки. Важно, что провести идентификацию удаётся без забора образца ткани. Компьютерные алгоритмы ищут ответы в пикселях диагностического изображения.

ИИ изучает снимки с опухолью

КТ- и МРТ-снимки используются в неврологии, чтобы найти и описать опухоль. Но учёные уверены: диагностические изображения могут рассказать больше. Радиомика и радиогеномика — направления, которые основаны на количественном анализе снимков. Компьютерные системы извлекают информацию о свойствах опухоли, её окружении и генетических особенностях¹³.

Перед вычислениями нужно провести сегментацию изображения — различить зоны с нормальной нервной тканью и аномальной. Делать это вручную долго и сложно, поэтому технологии здесь как нельзя кстати. Нейросеть исследует пиксели, определяя их принадлежность к норме или патологии. В конце анализа система ограничивает на снимке область, где наиболее вероятна опухоль¹⁴.

Сервис фМРТ покоя распознаёт функциональные зоны головного мозга:

1. Специалист загружает в систему данные фМРТ пациента.

2. Информационная модель создаёт двумерные изображения, которые соответствуют срезам головного мозга.

3. Алгоритм находит зрительные, моторные и слуховые зоны мозга и выделяет их цветом.

Специалисты получают результат анализа через 15 минут. Технология помогает планировать хирургическую операцию у пациентов с онкологией.

Компьютерный «портрет» глиобластомы

Среди злокачественных новообразований, первоначально поражающих головной мозг, наиболее распространена глиобластома. Это агрессивная опухоль, которая трудно поддаётся лечению¹⁵.

У глиобластомы сложный набор генов, так как её клетки склонны к мутациям¹⁶. Клеточная и молекулярная неоднородность глиобластомы становится камнем преткновения в неврологии. Опухоль и окружающая ткань могут по-разному выглядеть на МРТ-снимках головного мозга. Это затрудняет интерпретацию исследования¹⁷.

ИИ помогает объединить отдельные диагностические находки в единую клиническую картину. Специалисты используют технологии, чтобы исследовать:

• Строение опухоли. Компьютернаясистема определяет положение глиобластомы, её объём, наличие погибшей ткани или отёка¹⁸.

• Генетические мутации. Алгоритмы проводят параллель между особенностями изображения и возможными мутациями опухоли, например изменением гена IDH1¹⁹.

• Течение заболевания. ИИ оценивает результаты проведённого лечения. Например, после оперативного удаления глиобластомы и химиолучевой терапии на МРТ возникает спорная картина. Ткань головного мозга после облучения напоминает рецидив опухоли. ИспользованиеИИ помогает различить два клинических исхода²⁰.

Технологии позволяют установить подтип опухоли. Опираясь на выводы ИИ, врач может назначить персональные схемы лечения и правильно оценить риски.

Информационные модели помогают обнаружить метастазы

Раковые клетки способны отделяться от начального места возникновения и достигать мозга. Образуются вторичные опухоли — метастазы. Источником становится рак другого органа, например лёгких или толстой кишки²¹.

Метастатические опухоли головного мозга встречаются в 5 раз чаще опухолей, которые поражают орган изначально. Метастазы могут не обнаруживать себя, пока не начнут разрушать здоровые ткани и вызывать неврологические симптомы. Из-за поздней диагностики снижаются шансы контролировать болезнь²².

Технологии мешают метастазам ускользать от внимания специалистов. Учёные из Медицинского колледжа Университета штата Огайо в США разработали информационную модель, которая ищет небольшие метастазы на МРТ-снимках²³:

1. Изображения головного мозга предварительно обрабатывают: выделяют зоны, где предположительно есть метастаз.

2. На вход подаются участки 16 мм ×16 мм × 16 мм.

3. Нейросеть CropNetизучает их и делает вывод о наличии опухоли.

Алгоритму удалось добиться 90% чувствительности. Использование ИИ помогло обнаружить метастазы меньше 15 мм, которые трудно распознать вручную²³.

Технологии помогают пациентам с инсультом

Инсульт возникает, когда к части мозга не поступает кровь. Артерию блокирует сгусток крови — тромб — или жировые отложения в виде бляшки. Может быть и другая причина: стенка сосуда разрывается, что приводит к кровоизлиянию в мозг²⁴.

Без кислорода и питательных веществ клетки мозга начинают умирать через несколько минут. Ранняя диагностика помогает выяснить причину и начать лечение. Чем быстрее оказана медицинская помощь, тем меньше мозговой ткани повреждается и ниже риск осложнений²⁵.

Технологии помогают специалистам в неврологии выиграть ценное время. Цифровые закономерности превращаются в новые шансы — и для врача, и для пациента.

Изучение нарушений мозгового кровообращения по снимкам

Обследование пациентов с инсультом с помощью КТ и МРТ даёт много данных. Технологии обрабатывают результаты визуализации²⁶:

• проводят автоматическую сегментацию изображения, выделяя зону инсульта;

• вычисляют объём жидкости при отёке головного мозга;

• оценивают внутримозговое кровотечение;

• прогнозируют нарушения функции мозга после инсульта.

Часть моделей проверяются в экспериментах, а другие уже используются в клинической неврологии. Например, сервис КТ головного мозга от СберМедИИ помогает врачам определить тип инсульта по КТ-снимкам. ИИ размечает изображение, выделяя зону поражения. Затем сервис вычисляет размеры области, в которой нарушено кровообращение. Использование ИИ сократило время исследования до двух минут.

Его дополняют другие компьютерные алгоритмы. Например, шкала ASPECTS — позволяет качественно оценить начальные изменения при инсульте на КТ-снимке.

Информационная модель КТ головного мозга достигает точности около 96%.

Клетки подают сигналы — ИИ поможет распознать

Электроэнцефалограмма (ЭЭГ) — метод исследования электрической активности мозга, используемый в неврологии. На коже головы закрепляют электроды. Они регистрируют электрические заряды, создаваемые нервными клетками. Врач получает график и изучает его²⁷.

Система HealthSOS от учёных из Южной Кореи — портативная технология для мониторинга инсульта, объединяющая ЭЭГ и ИИ²⁸.

Основная часть — маска для глаз, на которой закреплены электроды. Исследователи отмечают, что такая форма неслучайна: она легче и удобнее традиционной шапочки с электродами. Её использование возможно как во время бодрствования, так и во сне. Маска не мешает отдыху пациентов в тяжёлом состоянии²⁸.

Технология достигла 92% точности, предсказывая инсульт за несколько шагов²⁸:

1. Пациент надевает маску, которая регистрирует мозговые волны из лобной доли.

2. Прибор передаёт данные на компьютер по Bluetooth.

3. Алгоритм находит признаки, которые соответствуют инсульту.

4. Система рекомендует обратиться в больницу. Сообщения отправляются в отделение неотложной помощи, пациенту и его родственникам.

Последствиями инсульта могут стать мышечная слабость или паралич на одной стороне тела. Пациенты испытывают проблемы с координацией и равновесием²⁹.

Использование электромиографии (ЭМГ) в неврологии помогает отследить изменения мышечной активности. Вот другое портативное решение (и тоже из Кореи) — система мониторинга походки на основе ЭМГ после перенесённого инсульта³⁰:

1. Датчики крепятся к задней поверхности бедра или икроножной мышце.

2. Пациент ходит, а устройство регистрирует нервно-мышечные сигналы.

3. Данные передаются на компьютер, где их анализируют алгоритмы.

4. Выявленные аномалии походки помогают принять решение о реабилитации.

Разрабатывают информационные модели, которые собирают и анализируют данные ЭМГ в режиме реального времени. Раннее выявление необычных сигналов поможет предупредить возникновение инсульта³¹.

Эпилепсия: компьютерный взгляд на проблему

Эпилепсия — расстройство мозга, при котором у человека периодически возникают припадки. Электрическая активность мозга временно меняется: импульсы внезапно усиливаются, что вызывает приступ³². Эпилепсия — распространённая проблема в неврологии. По данным Всемирной организации здравоохранения (ВОЗ), от заболевания страдают около 50 миллионов человек во всём мире³³.

Проект MELD собрал МРТ-снимки более 1000 пациентов из 22 центров по изучению эпилепсии на 5 континентах. По первой половине данных нейросеть училась, а по второй — проходила тесты. Технология рассчитана на поиск фокальной кортикальной дисплазии (ФКД) — изменённого участка коры головного мозга. Активность ФКД связана с развитием эпилепсии, устойчивой к лечению³⁴.

Снимки для обучения информационной модели готовили эксперты: вручную выделяли аномальную зону головного мозга. Опираясь на полученные знания, алгоритм анализировал изображение и делал вывод: есть поражение или нет. В одном из тестов ИИ достиг чувствительности 67%, выявив ФКД у 174 пациентов из 260³⁴.

Сервис ЭЭГ Эпилепсия распознаёт необычную активность мозга по ЭЭГ. Алгоритм изучает ЭЭГ-паттерн, чтобы найти признаки фокальных эпилептиформных разрядов (ФЭР). По особенностям ФЭР можно предположить, где находится очаг эпилепсии.

Сигнал ЭЭГ записывается в течение 10 часов, в том числе во время сна. Ручная обработка записи занимает до 3 часов. Технология размечает участки с ФЭР автоматически. Таким способом анализ проводится намного быстрее: результат можно получить за 5 минут.

Источники

1. Болезнь Альцгеймера [Электронный ресурс]: MayoClinic. URL: https://www.mayoclinic.org/diseases-conditions/alzheimers-disease/symptoms-causes/syc-20350447.

2. Болезнь Альцгеймера: обзор [Электронный ресурс]: NHS. URL:https://www.nhs.uk/conditions/alzheimers-disease/.

3. Позитронно-эмиссионная томография [Электронный ресурс]: MayoClinic. URL: https://www.mayoclinic.org/tests-procedures/pet-scan/about/pac-20385078.

4. Позитронно-эмиссионная томография (ПЭТ) [Электронный ресурс]: JohnsHopkins. URL: https://www.hopkinsmedicine.org/health/treatment-tests-and-therapies/positron-emission-tomography-pet.

5. Ding Y, Sohn JH, Kawczynski MG, Trivedi H, Harnish R, Jenkins NW, Lituiev D, Copeland TP, Aboian MS, Mari Aparici C, Behr SC, Flavell RR, Huang SY, Zalocusky KA, Nardo L, Seo Y, Hawkins RA, Hernandez Pampaloni M, Hadley D, Franc BL. A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain. 2019 Feb;290(2):456-464. doi: 10.1148/radiol.2018180958. Epub 2018 Nov 6. PMID: 30398430; PMCID: PMC6358051.

6. Chen G, Ward BD, Xie C, Li W, Wu Z, Jones JL, Franczak M, Antuono P, Li SJ. Classification of Alzheimer disease, mild cognitive impairment, and normal cognitive status with large-scale network analysis based on resting-state functional MR imaging. 2011 Apr;259(1):213-21. doi: 10.1148/radiol.10100734. Epub 2011 Jan 19. PMID: 21248238; PMCID: PMC3064820.

7. Cheung CY, Ran AR, Wang S, Chan VTT, Sham K, Hilal S, Venketasubramanian N, Cheng CY, Sabanayagam C, Tham YC, Schmetterer L, McKay GJ, Williams MA, Wong A, Au LWC, Lu Z, Yam JC, Tham CC, Chen JJ, Dumitrascu OM, Heng PA, Kwok TCY, Mok VCT, Milea D, Chen CL, Wong TY. A deep learning model for detection of Alzheimer’s disease based on retinal photographs: a retrospective, multicentre case-control study. Lancet Digit Health. 2022 Nov;4(11):e806-e815. doi: 10.1016/S2589-7500(22)00169-8. Epub 2022 Sep 30. PMID: 36192349.

8. Zafar S, Yaddanapudi SS. Parkinson Disease. [Updated 2022 Aug 8]. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2022 Jan-. Available from: https://www.ncbi.nlm.nih.gov/books/NBK470193/ (закрыт ресурс)

9. Kouli A, Torsney KM, Kuan WL. Parkinson’s Disease: Etiology, Neuropathology, and Pathogenesis. In: Stoker TB, Greenland JC, editors. Parkinson’s Disease: Pathogenesis and Clinical Aspects [Internet]. Brisbane (AU): Codon Publications; 2018 Dec 21. Chapter 1. Available from: https://www.ncbi.nlm.nih.gov/books/NBK536722/doi: 10.15586/codonpublications.parkinsonsdisease.2018.ch1

10. Болезнь Паркинсона [Электронный ресурс]: WorldHealth Organization. URL: https://www.who.int/news-room/fact-sheets/detail/parkinson-disease.

11. Yang Y, Yuan Y, Zhang G, Wang H, Chen YC, Liu Y, Tarolli CG, Crepeau D, Bukartyk J, Junna MR, Videnovic A, Ellis TD, Lipford MC, Dorsey R, Katabi D. Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals. Nat Med. 2022 Oct;28(10):2207-2215. doi: 10.1038/s41591-022-01932-x. Epub 2022 Aug 22. PMID: 35995955; PMCID: PMC9556299.

12. Parky[Электронный ресурс]: h2o therapeutics. URL: https://www.parky4parkinsons.com.

13. Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77. doi: 10.1148/radiol.2015151169. Epub 2015 Nov 18. PMID: 26579733; PMCID: PMC4734157.

14. Akkus Z, Galimzianova A, Hoogi A, Rubin DL, Erickson BJ. Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions. J Digit Imaging. 2017 Aug;30(4):449-459. doi: 10.1007/s10278-017-9983-4. PMID: 28577131; PMCID: PMC5537095.

15. Tan AC, Ashley DM, López GY, Malinzak M, Friedman HS, Khasraw M. Management of glioblastoma: State of the art and future directions. CA Cancer J Clin. 2020 Jul;70(4):299-312. doi: 10.3322/caac.21613. Epub 2020 Jun 1. PMID: 32478924.

16. Davis ME. Glioblastoma: Overview of Disease and Treatment. Clin J Oncol Nurs. 2016 Oct 1;20(5 Suppl):S2-8. doi: 10.1188/16.CJON.S1.2-8. PMID: 27668386; PMCID: PMC5123811.

17. Lemée JM, Clavreul A, Menei P. Intratumoral heterogeneity in glioblastoma: don’t forget the peritumoral brain zone. Neuro Oncol. 2015 Oct;17(10):1322-32. doi: 10.1093/neuonc/nov119. Epub 2015 Jul 22. PMID: 26203067; PMCID: PMC4578587.

18. Grossmann P, Gutman DA, Dunn WD Jr, Holder CA, Aerts HJ. Imaging-genomics reveals driving pathways of MRI derived volumetric tumor phenotype features in Glioblastoma. BMC Cancer. 2016 Aug 8;16:611. doi: 10.1186/s12885-016-2659-5. PMID: 27502180; PMCID: PMC4977720.

19. Rathore S, Akbari H, Rozycki M, Abdullah KG, Nasrallah MP, Binder ZA, Davuluri RV, Lustig RA, Dahmane N, Bilello M, O’Rourke DM, Davatzikos C. Radiomic MRI signature reveals three distinct subtypes of glioblastoma with different clinical and molecular characteristics, offering prognostic value beyond IDH1. Sci Rep. 2018 Mar 23;8(1):5087. doi: 10.1038/s41598-018-22739-2. PMID: 29572492; PMCID: PMC5865162.

20. Hu X, Wong KK, Young GS, Guo L, Wong ST. Support vector machine multiparametric MRI identification of pseudoprogression from tumor recurrence in patients with resected glioblastoma. J Magn Reson Imaging. 2011 Feb;33(2):296-305. doi: 10.1002/jmri.22432. PMID: 21274970; PMCID: PMC3273302.

21. Метастазы головного мозга [Электронный ресурс]: MayoClinic. URL: https://www.mayoclinic.org/diseases-conditions/brain-metastases/symptoms-causes/syc-20350136.

22. Метастатические опухоли головного мозга [Электронный ресурс]: JohnsHopkins. URL: https://www.hopkinsmedicine.org/health/conditions-and-diseases/metastatic-brain-tumors.

23. Dikici E, Ryu JL, Demirer M, Bigelow M, White RD, Slone W, Erdal BS, Prevedello LM. Automated Brain Metastases Detection Framework for T1-Weighted Contrast-Enhanced 3D MRI. IEEE J Biomed Health Inform. 2020 Oct;24(10):2883-2893. doi: 10.1109/JBHI.2020.2982103. Epub 2020 Mar 23. PMID: 32203040.

24. Об инсульте [Электронный ресурс]: CDC. URL: https://www.cdc.gov/stroke/about.htm](https://www.cdc.gov/stroke/about.htm (дата обращения: 01.12.2022).

25. Инсульт [Электронный ресурс]: MayoClinic. URL: https://www.mayoclinic.org/diseases-conditions/stroke/symptoms-causes/syc-20350113.

26. Lee EJ, Kim YH, Kim N, Kang DW. Deep into the Brain: Artificial Intelligence in Stroke Imaging. J Stroke. 2017 Sep;19(3):277-285. doi: 10.5853/jos.2017.02054. Epub 2017 Sep 29. PMID: 29037014; PMCID: PMC5647643.

27. Электроэнцефалограмма (ЭЭГ) [Электронный ресурс]: JohnsHopkins. URL: https://www.hopkinsmedicine.org/health/treatment-tests-and-therapies/electroencephalogram-eeg.

28. Hussain and S. J. Park, «HealthSOS: Real-Time Health Monitoring System for Stroke Prognostics,» in IEEE Access, vol. 8, pp. 213574-213586, 2020, doi: 10.1109/ACCESS.2020.3040437.

29. Инсульт: восстановление [Электронный ресурс]: NHS. URL:https://www.nhs.uk/conditions/stroke/recovery/.

30. Hussain I, Park SJ. Prediction of Myoelectric Biomarkers in Post-Stroke Gait. Sensors (Basel). 2021 Aug 7;21(16):5334. doi: 10.3390/s21165334. PMID: 34450776; PMCID: PMC8399186.

31. Yu J, Park S, Kwon S-H, Ho CMB, Pyo C-S, Lee H. AI-Based Stroke Disease Prediction System Using Real-Time Electromyography Signals. Applied Sciences. 2020; 10(19):6791. https://doi.org/10.3390/app10196791.

32. Эпилепсия[Электронный ресурс]: American Association of Neurological Surgeons. URL: https://www.aans.org/en/Patients/Neurosurgical-Conditions-and-Treatments/Epilepsy.

33. Эпилепсия[Электронный ресурс]: World Health Organization. URL: https://www.who.int/news-room/fact-sheets/detail/epilepsy.

34. 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 Nov 21;145(11):3859-3871. doi: 10.1093/brain/awac224. PMID: 35953082; PMCID: PMC9679165.