목적: 내 외측 측두엽간질의 감별은 중요하고 F-18-FDG PET이 도움을 주나 성능이 아주 우수하지는 않다. 이 연구에서는 수술과 수술 후 추적 병리소견으로 확진한 내측성 또는 외측성 측두엽간질 환자의 F-18-FDG PET영상을 후향적으로 조사하여 내측 및 외측 측두엽 대사 감소 양상을 추출하고 내측성과 외측성 간질을 감별하기 위한 인공신경회로망을 이용한 감별시스템을 개발하였으며 판독 성능을 핵의학전문가와 비교하였다. 대상 및 방법 : 수술로 확진한 내측성 또는 외측성 측두엽간질 환자 113명(좌 우측 내측성 측두엽간질 각 41, 42명, 좌 우측 외측성 측두엽간질 각 14, 16명)의 뇌 FDG PET을 대상으로 하였다. 모든 PET 영상을 PET 표준지도에 공간정규화하였으며 표준지도에서 추출한 뇌실질 영역의 평균 화소 값이 100이 되도록 계수정규화를 하였다. 표준지도에 미리 정의한34개 영역에서 평균 계수 값을 추출하였으며 마주보는 17개 영역간의 비대칭계수와 내측 및 외측 측두엽간의 비대칭계수를 구하여 신경회로망 시스템의 입력으로 넣었다. 신경회로망 시스템은 세 개의 독립적인 다층 퍼셉트론으로 구성하였다. 첫 번째 퍼셉트론은 간질 원인병소의 편측화(우측 또는 좌측)를 판단하게 하였다. 다른 두개의 퍼셉트론은 우측 또는 좌측 측두엽간질로 나뉘어진 입력 패턴들을 각각 내측성 또는 외측성 측두엽간질로 구분하는 역할을 하게 하였다. 신경회로망 시스템의 감별 성능을 평가하기 위하여 각 환자군에서 무작위로 8명의 PET 영상을 학습군으로 선정하여 신경회로망을 학습시켰으며 나머지 총 81명의 영상으로 신경망 시스템의 진단 정확성을 평가하였다. 이러한 무작위 실험을 50번 시행하여 얻은 신경회로망 시스템의 출력과 진단명과의 일치도를 핵의학 의사의 판독결과와 비교하였다. 핵의학 의사의 판독은 신경회로망과 동일한 조건 하에서 시행되도록 하기 위하여 각 환자가 측두엽간질환자라는 정보이외에는 어떠한 다른 임상정보도 모르는 상태에서 각 환자를 좌측 또는 우측 내측성 측두엽간질이나 좌측 또는 우측 외측성 측두엽간질 중 하나로 감별하도록 하였다. 결과: 내측 또는 외측 측두엽에 대한 최종 국소화가 정확했는지 여부에 관계없이 간질병소가 속한 뇌반구가 좌측인지 우측인지를 맞게 판단하였으면 편측화에 성공한 것으로 보았을 때 신경회로망과 핵의학 전문가가 모두 평균 90% 정도의 높은 편측화 성공률을 보였다. 편측화는 물론 간질병소가 내측에 있는지 외측에 있는지 여부를 정확하게 판단한 국소화 성공률 또한 신경회로망(59%)과 핵의학 전문가(72%)의 진단 성적이 거의 다르지 않았다. 결론: 이 연구에서 개발한 간질병소 국소화를 위한 신경회로망 시스템은 측두엽간질 감별 진단에 도움이 될 것으로 기대된다.
Purpose: We developed a computer-aided classifier using artificial neural network (ANN) to discriminate the cerebral metabolic pattern of medial and lateral temporal lobe epilepsy (TLE). Materials and Methods: We studied brain F-18-FDG PET images of 113 epilepsy patients sugically and pathologically proven as medial TLE (left 41, right 42) or lateral TLE (left 14, right 16). PET images were spatially transformed onto a standard template and normalized to the mean counts of cortical regions. Asymmetry indices for predefined 17 mirrored regions to hemispheric midline and those for medial and lateral temporal lobes were used as input features for ANN. ANN classifier was composed of 3 independent multi-layered perceptrons (1 for left/right lateralization and 2 for medial/lateral discrimination) and trained to interpret metabolic patterns and produce one of 4 diagnoses (L/R medial TLE or L/R lateral TLE). Randomly selected 8 images from each group were used to train the ANN classifier and remaining 51 images were used as test sets. The accuracy of the diagnosis with ANN was estimated by averaging the agreement rates of independent 50 trials and compared to that of nuclear medicine experts. Results: The accuracy in lateralization was 89% by the human experts and 90% by the ANN classifier Overall accuracy in localization of epileptogenic zones by the ANN classifier was 69%, which was comparable to that by the human experts (72%). Conclusion: We conclude that ANN classifier performed as well as human experts and could be potentially useful supporting tool for the differential diagnosis of TLE.
