Towards Accurate Forecasting of Epileptic Seizures: Artificial Intelligence and Effective Connectivity Findings

L'épilepsie est une des maladies neurologiques les plus fréquentes, touchant près d'un pourcent de la population mondiale. De nos jours, bien qu'environ deux tiers des patients épileptiques répondent adéquatement aux traitements pharmacologiques, il reste qu'un tiers des patients doivent vivre avec des crises invalidantes et imprévisibles. Quoique la chirurgie d'épilepsie puisse être une autre option thérapeutique envisageable, le recours à la chirurgie de résection demeure très faible en partie pour des raisons diverses (taux de réussite modeste, peur des complications, perceptions négatives). D'autres avenues de traitement sont donc souhaitables. Une piste actuellement explorée par des groupes de chercheurs est de tenter de prédire les crises à partir d'enregistrements de l'activité cérébrale des patients. La capacité de prédire la survenue de crises permettrait notamment aux patients, aidants naturels ou personnels médical de prendre des mesures de précaution pour éviter les désagréments reliés aux crises voire même instaurer un traitement pour les faire avorter. Au cours des dernières années, d'importants efforts ont été déployés pour développer des algorithmes de prédiction de crises et d'en améliorer les performances. Toutefois, le manque d'enregistrements électroencéphalographiques intracrâniens (iEEG) de longue durée de qualité, la quantité limitée de crises, ainsi que la courte durée des périodes interictales constituaient des obstacles majeurs à une évaluation adéquate de la performance des algorithmes de prédiction de crises. Récemment, la disponibilité en ligne d'enregistrements iEEG continus avec échantillonnage bilatéral (des deux hémisphères) acquis chez des chiens atteints d'épilepsie focale à l'aide du dispositif de surveillance ambulatoire implantable NeuroVista a partiellement facilité cette tâche. Cependant, une des limitations associées à l'utilisation de ces données durant la conception d'un algorithme de prédiction de crises était l'absence d'information concernant la zone exacte de début des crises (information non fournie par les gestionnaires de cette base de données en ligne). Le premier objectif de cette thèse était la mise en oeuvre d'un algorithme précis de prédiction de crises basé sur des enregistrements iEEG canins de longue durée. Les principales contributions à cet égard incluent une localisation quantitative de la zone d'apparition des crises (basée sur la fonction de transfert dirigé –DTF), l'utilisation d'une nouvelle fonction de coût via l'algorithme génétique proposé, ainsi qu'une évaluation quasi-prospective des performances de prédiction (données de test d'un total de 893 jours). Les résultats ont montré une amélioration des performances de prédiction par rapport aux études antérieures, atteignant une sensibilité moyenne de 84.82 % et un temps en avertissement de 10 %. La DTF, utilisée précédemment comme mesure de connectivité pour déterminer le réseau épileptique (objectif 1), a été préalablement validée pour quantifier les relations causales entre les canaux lorsque les exigences de quasi-stationnarité sont satisfaites. Ceci est possible dans le cas des enregistrements canins en raison du nombre relativement faible de canaux. Pour faire face aux exigences de non-stationnarité, la fonction de transfert adaptatif pondérée par le spectre (Spectrum weighted adaptive directed transfer function - swADTF) a été introduit en tant qu'une version variant dans le temps de la DTF. Le second objectif de cette thèse était de valider la possibilité d'identifier les endroits émetteurs (ou sources) et récepteurs d'activité épileptiques en appliquant la swADTF sur des enregistrements iEEG de haute densité provenant de patients admis pour évaluation pré-chirurgicale au CHUM. Les générateurs d'activité épileptique étaient dans le volume réséqué pour les patients ayant des bons résultats post-chirurgicaux alors que différents foyers ont été identifiés chez les patients ayant eu de mauvais résultats postchirurgicaux. Ces résultats démontrent la possibilité d'une identification précise des sources et récepteurs d'activités épileptiques au moyen de la swADTF ouvrant la porte à la possibilité d'une meilleure sélection d'électrodes de manière quantitative dans un contexte de développement d'algorithme de prédiction de crises chez l'humain. Dans le but d'explorer de nouvelles avenues pour la prédiction de crises épileptiques, un nouveau précurseur a aussi été étudié combinant l'analyse des spectres d'ordre supérieur et les réseaux de neurones artificiels (objectif 3). Les résultats ont montré des différences statistiquement significatives (p<0.05) entre l'état préictal et l'état interictal en utilisant chacune des caractéristiques extraites du bi-spectre. Utilisées comme entrées à un perceptron multicouche, l'entropie bispectrale normalisée, l'entropie carré normalisée, et la moyenne ont atteint des précisions respectives de 78.11 %, 72.64% et 73.26%. Les résultats de cette thèse confirment la faisabilité de prédiction de crises à partir d'enregistrements d'électroencéphalographie intracrâniens. Cependant, des efforts supplémentaires en termes de sélection d'électrodes, d'extraction de caractéristiques, d'utilisation des techniques d'apprentissage profond et d'implémentation Hardware, sont nécessaires avant l'intégration de ces approches dans les dispositifs implantables commerciaux.

Abstract

Epilepsy is a chronic condition characterized by recurrent “unpredictable” seizures. While the first line of treatment consists of long-term drug therapy about one-third of patients are said to be pharmacoresistant. In addition, recourse to epilepsy surgery remains low in part due to persisting negative attitudes towards resective surgery, fear of complications and only moderate success rates. An important direction of research is to investigate the possibility of predicting seizures which, if achieved, can lead to novel interventional avenues. The paucity of intracranial electroencephalography (iEEG) recordings, the limited number of ictal events, and the short duration of interictal periods have been important obstacles for an adequate assessment of seizure forecasting. More recently, long-term continuous bilateral iEEG recordings acquired from dogs with naturally occurring focal epilepsy, using the implantable NeuroVista ambulatory monitoring device have been made available on line for the benefit of researchers. Still, an important limitation of these recordings for seizure-prediction studies was that the seizure onset zone was not disclosed/available. The first objective of this thesis was to develop an accurate seizure forecasting algorithm based on these canine ambulatory iEEG recordings. Main contributions include a quantitative, directed transfer function (DTF)-based, localization of the seizure onset zone (electrode selection), a new fitness function for the proposed genetic algorithm (feature selection), and a quasi-prospective assessment of seizure forecasting on long-term continuous iEEG recordings (total of 893 testing days). Results showed performance improvement compared to previous studies, achieving an average sensitivity of 84.82% and a time in warning of 10 %. The DTF has been previously validated for quantifying causal relations when quasistationarity requirements are met. Although such requirements can be fulfilled in the case of canine recordings due to the relatively low number of channels (objective 1), the identification of stationary segments would be more challenging in the case of high density iEEG recordings. To cope with non-stationarity issues, the spectrum weighted adaptive directed transfer function (swADTF) was recently introduced as a time-varying version of the DTF. The second objective of this thesis was to validate the feasibility of identifying sources and sinks of seizure activity based on the swADTF using high-density iEEG recordings of patients admitted for pre-surgical monitoring at the CHUM. Generators of seizure activity were within the resected volume for patients with good post-surgical outcomes, whereas different or additional seizure foci were identified in patients with poor post-surgical outcomes. Results confirmed the possibility of accurate identification of seizure origin and propagation by means of swADTF paving the way for its use in seizure prediction algorithms by allowing a more tailored electrode selection. Finally, in an attempt to explore new avenues for seizure forecasting, we proposed a new precursor of seizure activity by combining higher order spectral analysis and artificial neural networks (objective 3). Results showed statistically significant differences (p<0.05) between preictal and interictal states using all the bispectrum-extracted features. Normalized bispectral entropy, normalized squared entropy and mean of magnitude, when employed as inputs to a multi-layer perceptron classifier, achieved held-out test accuracies of 78.11%, 72.64%, and 73.26%, respectively. Results of this thesis confirm the feasibility of seizure forecasting based on iEEG recordings; the transition into the ictal state is not random and consists of a “build-up”, leading to seizures. However, additional efforts in terms of electrode selection, feature extraction, hardware and deep learning implementation, are required before the translation of current approaches into commercial devices.