Development and validation of artificial intelligence models for prognosis prediction of juvenile myoclonic epilepsy with clinical and radiological features

Abstract

Introduction: Juvenile myoclonic epilepsy (JME) is a prevalent form of epilepsy with varying prognoses based on clinical and radiological factors. While many studies have explored JME's clinical aspects, the integration of these factors into a predictive model for prognosis has been limited. This study aims to develop and validate machine learning models that combine clinical and radiological features to predict prognosis in JME patients. Methods: We conducted a retrospective study including 125 patients diagnosed with JME. Clinical data were collected, including demographic information, seizure history, and treatment details. MRI data were analyzed using volumetric and cortical thickness measurements, as well as radiomics features. Machine learning models - including logistic regression, random forest, extreme gradient boosting (XGBoost), light gradient boosting machine (LightGBM), support vector machine (SVM), and artificial neural network (ANN) - were developed and evaluated using accuracy, precision, recall, F1-score, and the area under the receiver operating characteristic curve (AUROC) metrics. The models were trained on an internal dataset and validated on an independent external dataset. Results: The analysis identified that male gender, volumes of the left amygdala and right hippocampus, and cortical thickness of the bilateral temporal poles, left entorhinal cortex, fusiform gyrus, and right inferior and middle temporal cortex were significantly associated with favorable prognosis. Models combining clinical, volumetric, cortical thickness, and Radiomics data outperformed those relying on a single data type. The best-performing machine learning model was random forest, which achieved an AUROC of 0.923. The integrated model demonstrated superior predictive performance, underscoring the importance of a multimodal approach. Brain structures such as the thalamus and hippocampus, known to be involved in JME’s pathophysiology, were identified as critical features in the prognostic prediction. Conclusion: This study highlights the potential of using machine learning models that integrate clinical and radiological data to predict prognosis in JME. The findings suggest that multimodal data models are more effective than those based on single data types, offering a promising approach for improving prognostic accuracy in JME. The integration of advanced imaging features with clinical variables could enhance decision-making in epilepsy management, providing valuable tools for clinicians in the prediction of treatment outcomes. Further research is needed to validate these findings in larger, more diverse populations and to explore the inclusion of additional radiological modalities such as diffusion tensor image and functional MRI.

서론: 청소년근간대뇌전증은 비교적 약물치료에 대한 예후가 좋으나, 35%의 환자는 약물난치성 뇌전증으로 고통받고 있고, 현재까지 다양한 임상적 특성이 예후에 영향을 미치는 것으로 알려져 있다. 청소년근간대뇌전증의 예후 예측에 영향을 미치는 임상적 요인에 대해 많은 연구가 이루어졌지만, 임상적 특성과 영상의학적인 특성을 통합하여 예후를 예측하는 모델에 대한 연구는 제한적이다. 본 연구는 임상양상과 영상변수를 결합하여 청소년근간대뇌전증 환자의 예후를 예측하는 인공지능 모델을 개발하고 검증하는 것을 목표로 한다. 방법: 국내 5개 대학병원에서 청소년근간대뇌전증으로 진단된 전체 125명 (내부훈련용데이터 - 1개병원 99명, 외부검증용데이터 - 5개병원 26명)의 환자를 대상으로 후향적 연구를 수행하였다. 인구통계학적 정보, 임상특성, 약물투약, 발작이력의 임상 데이터를 수집하였고, MRI 데이터를 이용하여 피질하 구조물의 부피측정, 대뇌피질두께측정, 라디오믹스 특성 추출등으로 뇌 구조의 정량적인 특성을 추출하였다. 추출된 변수들을 6가지 인공지능 방법 – logistic regression, random forest, XGBoost, LightGBM, SVM, ANN – 을 이용하여, 2년간의 무발작기간을 예측하는 기계 학습 모델을 개발하고, 정확도, 정밀도, 재현율, F1 점수, AUROC 지표를 사용하여 성능을 평가하였다. 모델은 내부 데이터셋에서 학습되었으며 독립적인 외부 데이터셋을 통해 검증되었으며, 모델이 이용하는 특성 중요도도 확인하였다. 결과: 좋은 예후와 관련된 임상변수로는 남성, 영상변수로는 좌측 편도체와 우측 해마의 부피, 피질두께에서는 양측 측두엽극(temporal pole), 좌측 내후각피질(entorhinal cortex), 방추상 회(fusiform gyrus), 그리고 우측 하측 (inferior) 및 중간 (middle) 측두엽피질(temporal gyrus)의 두께가 좋은 예후와 유의하게 연관된 것으로 나타났다. 가장 우수한 성능을 보인 기계 학습 모델은 임상 데이터, 부피 측정, 피질 두께, 방사선학적 데이터를 결합한 모델 (AUROC 0.923)로 단일 데이터 유형에 의존한 모델(AUROC 0.600)보다 우수한 성능을 보였다. 또한 시상(thalamus)과 해마(hippocampus)와 같이 청소년근간대뇌전증의 병리생리학적 기전에 관여하는 뇌 구조가 예후 예측에 중요한 특징으로 확인되었다. 결론: 본 연구는 임상양상 및 영상변수를 통합한 기계 학습 모델이 청소년근간대뇌전증의 예후를 예측하는 데 유용할 수 있음을 보여주었다. 다양한 데이터를 결합하는 기반으로 한 모델이 단일 데이터 유형에 기반한 모델보다 더 효과적이라는 점을 시사하며, 이는 뇌전증의 관리에서 치료 결과를 예측하는 데 있어 임상의에게 보조적인 도구로 사용될 수 있다. 이 연구의 결과는 더 큰 규모의 다양한 인구를 대상으로 추가적인 검증이 필요하며, 확산텐서영상 및 기능적 자기공명영상과 같은 추가 방사선학적 기법을 포함하여, 연구가 기대된다.