Application of deep convolutional neural network to monitor lateral spread response during microvascular surgery for hemifacial spasm

Abstract

INTRODUCTION Hemifacial spasm is a neurological disorder characterized by irregular and involuntary contractions of the face. Microvascular decompression of the facial nerve has been accepted as the standard surgical treatment for patients who are refractory to medication. Lateral spread response is a pathological phenomenon recorded using electromyography in patients with hemifacial spasm, which is regarded as diagnostic clue, thus essentially monitored during microvascular decompression. However, lateral spread response monitoring during surgery has scope for improvements mainly owing to its labor-intensive characteristic. Application of a deep learning algorithm to lateral spread response monitoring during surgery will improve the accuracy and efficiency of lateral spread response, resulting in better clinical outcome. MATERIALS AND METHODS A total of 3674 image screenshots of intraoperative neurophysiologic monitoring device from 50 patients who undertook microvascular decompression for the treatment of hemifacial spasm were prepared for training and validation of the deep neural network. The original images were preprocessed to eliminate unnecessary information and to reduce the size of data. Deep neural networks to classify lateral spread response binarily were implemented by using standard, off-the-shelf tools. The accuracies of the deep neural networks were tested with 50 images which were from the patients whose data was never exposed during training and validation. The neural network of the highest accuracy was packaged into a standalone program that can be run on commercially available intraoperative neurophysiologic monitoring suite. Accuracy of the neural network was compared with that of the trained neurosurgeons and experienced monitoring technologists. The program was tentatively adopted in real operative environments, then the surgeons and the monitoring technologists were asked about the usefulness and weakness of the tool. RESULTS A preprocessing protocol was established, which reduces size, enhance the line-art information, and simplify the color information of the images. The neural network trained with those images differentiated 50 test images correctly (accuracy, 100%, area under the curve, 0.96). The accuracy of the network was equivalent that of the monitoring technologists (p = 0.3013) and higher than neurosurgeons (p < 0.0001). the heatmaps highlighted the key region of interest at a level similar to that of trained human professionals. Tentative application in the clinical setting showed that the neural network was preferable to use as an auxiliary tool. CONCLUSION A deep neural network with standard, off-the-shelf tools could classify the presence and absence of lateral spread response. The accuracy of the deep neural network was equivalent that of the monitoring technologists and higher than neurosurgeons. Auxiliary tools based on deep neural network may supply useful information to surgical team during operation.

목적: 반측성안면경련은 병변측 얼굴 근육이 불규칙적이고 불수의적으로 수축하는 신경계 질환이며, 미세신경감압술은 약물치료에 효과가 없는 반측성안면경련 환자에서 시행되는 표준수술이다. 측면전파반응은 근전도검사를 이용하여 검출하는 근전도검사상의 이상소견인데, 반측성안면경련 환자에서 특징적으로 나타나며, 진단에 사용할 수 있을 뿐 아니라, 미세신경감압술 중 수술의 적정성 판단에도 이용한다. 하지만, 측면전파반응을 수술 중에 실시간으로 검사하는 데에는 개선할 부분이 있다. 수술중신경감시는 노동집약적인 특성을 띠고 있으며, 검사 수행과 해석에 있어 다양한 부분에서 오차가 개입될 여지가 있다. 따라서 미세신경감압술 중 수술중 측면전파반응 감시를 판정하는 데 딥러닝 알고리즘을 적용할 수 있다면, 검사 수행의 효율성과 정확성을 향상시켜, 궁극적으로 수술 결과를 개선할 수 있을 것이다. 연구방법: 반측성안면경련의 미세신경감압술 중 획득한 총 3674 장의 측면전파반응 이미지를 딥러닝 모델의 학습과 검증에 이용한다. 원본 이미지에서 불필요한 정보를 제거하고 필요한 정보는 강조하며, 데이터의 양을 줄일 수 있도록 전처치한다. 오픈소스의 표준 툴만을 사용하여 딥러닝 모델을 구축한다. 모델의 학습과 검증에 사용되지 않은 환자로부터 얻은 이미지 50 장을 이용하여 모델의 정확도를 평가한다.훈련받은 신경외과 의사와 수술중신경감시 테크니션들과 비교하여 모델의 정확도를 평가한다. 가장 높은 정확도를 보인 모델을 수술중감시장치에 설치하여 실행할 수 있는 프로그램으로 패키징한다. 프로그램을 실제 수술 환경에서 시험적으로 사용해보고 이와 같은 형태의 도구의 장단점에 대해 논한다. 결과: 이미지의 전처치방법을 수립하였는데, 이 방법은 영상의 크기를 줄이는 것, 선형 정보를 강조하는 것, 색 정보를 단순화시키는 것 등의 과정을 포함한다. 구축한 딥러닝 모델은 50 장의 테스트 이미지를 100%의 정확도로 구분할 수 있었다. 모델은 수술중신경감시 테크니션과 정확도의 차이가 없었으며 (p = 0.3013), 신경외과의사보다 정확도가 높았다 (p > 0.0001). 모델은 사람이 이미지를 분류할 때 사용하는 것과 유사한 부분을 읽어 이미지를 분류하였다. 임상환경에서 시험적으로 사용해보았을 때, 부가 장치로서 기능할 수 있을 것임을 시사하였다. 결론: 오픈소스의 표준 툴을 이용하여 구축한 딥러닝 모델은 측면전파반응의 유무를 잘 구분했다. 딥러닝 모델의 정확도는 사람 전문가와 비슷한 정도이거나 더 우월하였다. 딥러닝 모델을 이용한 부가 장치는 수술 중 유용한 도구로 사용될 수 있을 것이다.