Ontological modeling for neurosurgery : application to automatic classification of temporal and extratemporal lobe epilepsies

The development of imaging devices providing multimodal information, in addition to the set of data relative to the specific patient and the surgical procedure has led to a growing amount of information in Computer Assisted Surgery (CAS). Along with the vast and various sources of existing surgical knowledge, e.g. anatomic atlases, medical databases with patient records, documented surgical procedures, etc. and knowledge coming from new devices like systems of image guidance, the quantity of information keeps growing with every new patient. As CAS is becoming more common for various types of surgical interventions (such as neurosurgery, orthopedic surgery, maxillofacial surgery etc.), there is a need for representation, storage and processing of surgical knowledge in a more structured way. In particular, beginning in the latter half of the 20th century, the field of neurosurgery has been transformed by a technological revolution providing increasingly capable and affordable digital computer technology. Moreover, the constant evolving nature of this information has forced the evolution of knowledge representation mechanism as well. It is fundamental and at the same time hard to keep track of all the information and to use it for specific applications. Medical research can be represented using ontological modeling and used in real time application in Operating Room (OR). Surgical ontologies, or surgical process models, are increasingly used to model clinical practice in terms of discrete steps, thus defining actions that have to be performed by the surgeon, and the patient information that has to be retrieved during the surgical procedure. In this context, surgical ontologies and models are obtained by witnessing a set of interventions, noting each gesture by computer, and fusing these descriptions together. These models can be useful in defining requirments for surgical simulator and helping the surgeons in the choice of the surgical approach for a specific patient. This work is onerous in terms of resource expenditure and has the risk that can be biased by institute-specific practices, and may not characterize general procedures. On the Web there are many medical ontologies (SNOMED CT , OpenGALEN etc.) that provide taxonomies and relations between concepts that belong to the surgical field. The general aim of this thesis is to build an epilepsy neurosurgery ontology adopting a more generic approach using a textbook to flesh out concepts included in the neurosurgical domain, which in turn will be complemented by interviews to surgeons to finalize these descriptions. As CAS for neurosurgery uses computer technology in all the phases (pre-operative, intra-operative, post-operative), in the developed ontology are included actors to each of the three phases, such as instruments that can be used in intra-operative phase in a specific neurosurgical procedure (such as craniotomy), or a list of imaging tests that can be performed in one or more of the three phases. For the specific application of the thesis work, the epilepsy neurosurgery ontology is enlarged with specific concepts to support the diagnosis of temporal lobe epilepsies or extratemporal lobe epilepsies. The epilepsy diagnosis and neurosurgery ontology is devised in Web Ontology Language (OWL), using Protègè as the ontology editor. The ontology is implemented on a portal (http://rsp.inf.elte.hu) developed for the EuRoSurge project (FP7-ICT-2011-7-288233), allowing the registered users to provide their contributions to the ontology (editing, adding or discussing). Because of the possible use of the ontology by anyone (e.g. surgeons with different background and nationality), it is necessary to make clear the concepts that are included and resolve ambiguities since different words of different data resource may refer to the same concept. The Web can be used to connect related concepts that aren't previously connected, with the aim of enlarging and sharing data, information or knowledge with the community. DBpedia (a collection of resources extracted from Wikipedia) is used to connect all the concepts relative to the diagnosis and surgery of epilepsy included in the ontology. The ontology is used also to model epileptic seizures semiology and to understand the correlation between epileptic symptoms. Temporal lobe epilepsy is a form of focal epilepsy while the extratemporal lobe epilepsies originates outside the temporal lobe. Temporal and extratemporal lobe epileptic seizures induce different symptoms, that can be classified in different ways. A traditional way is to classify objective and subjective symptoms, where subjective symptoms (such as fear and epigastric sensation) differ from others (such as head deviation and eyes deviation) by the inability to physically measure them. In this work, 29 symptoms (14 of which subjective symptoms and 15 of which objective symptoms) are considered and included in the ontology. Three clinical centers (Besta, Niguarda Ca Granda, San Paolo Hospital) provided the analysis of 109 patients, 60 of which are patients with temporal lobe epilepsies (TLE) while 49 are patients with extratemporal lobe epilepsies (eTLE). Every patient was video registered during epileptic seizure for 60 seconds. In each second, symptoms that appear during the epileptic seizure are set to '1'. Thus a matrix composed of zeros and ones is created for each patient. Starting from the ontological modeling of epileptic seizures and the dataset of TLE and eTLE patients, for each patient a correlation matrix is calculated: this matrix include all the information of correlation between symptoms (i.e. observed symptoms are more correlated than a pair of symptoms in which one is observed and the other one is not observed). Next, a mean correlation matrix (thus a model) for the two set of patients is calculated. A classifier is trained subdividing the dataset in three parts: 70% for training the classifier, 15% for validating and 15% for testing. These models give information relatively to the occurrence of a symptom and the correlation with other symptoms, in addition to the temporality, thus the time of onset during epileptic seizure. Solution is evaluated with cross-validation method. The performance of classifier, thus the number of patients correctly identified as TLE or eTLE patients, is compared to the performance of 7 clinicians of Besta, Niguarda Ca Granda and San Paolo Hospitals that based their evaluations on the same dataset used to train the classifier. The classifier is tested on a subset of patients randomly extracted from the original dataset. The classifier allows to classify every new epileptic seizure of a patient as TLE or eTLE. With the trained classifier an overall accuracy (mean value of epileptic seizures correctly identified in testing phase) of 74,53 % and a standard deviation of 1,1226 (number of seizures correctly identified that deviate from the average that is 11,18), are reached. Both the algorithm and the clinicians make decisions only on the basis of video registrations of ictal seizures. The accuracy of classification of the algorithm presented in this work is 12,62 % better than the classification made by clinicians (mean). The ontological modeling, in this sense, help summarizing the information that stands between each symptom with the others, and gives an improvement to the simple analysis made by clinicians on video registrations of epileptic seizures. A greater evolution of the algorithm could regard the integration of different types of clinical information of patients affected by epilepsies. It is known that for the diagnosis of epilepsy requires careful evaluation of symptoms and clinical history, which should preferably include detailed observations by other persons, since the alteration or loss of consciousness often preclude a description of symptoms by the patient himself. Other diagnostic tests include magnetic resonance imaging or CT and laboratory tests, which can verify or exclude specific causes. With the help of the proposed ontological modeling, different types information could be unified and then processed to obtain new information and more accurate diagnosis.

Lo sviluppo di nuovi dispositivi di imaging ha fornito informazioni multimodali, in aggiunta all'insieme di dati relativi allo specifico paziente e alla procedura chirurgica, ha portato ad una crescente quantità di informazioni nella chirurgia assistita dal calcolatore (CAS). La chirurgia assistita sta rapidamente evolvendo in un dominio a sé stante, con ogni nuovo avanzamento tecnologico nel settore dell'assistenza sanitaria personale. Insieme con le ampie e varie sorgenti di conoscenza chirurgica, come ad esempio atlanti anatomici, banche dati medicali con i dati dei pazienti, interventi chirurgici documentati, ecc. e le conoscenze provenienti da nuovi dispositivi, come i robot e i sistemi di image guidance, la quantità di informazioni continua a crescere con ogni nuovo paziente e ogni nuovo intervento. Dato che la chirurgia assistita da calcolatore è sempre più comune in diversi tipi di interventi chirurgici (ad es. la neurochirurgia, la chirurgia maxillo-facciale, ecc.), vi è la necessità di rappresentare, memorizzare ed elaborare la conoscenza chirurgica in modo più strutturato. In particolare, a partire dalla seconda metà del 20° secolo, la neurochirurgia è stata trasformata da una rivoluzione che fornisce sempre più una tecnologia efficiente e affidabile grazie all'uso del calcolatore. Inoltre, data la costante evoluzione della natura di queste informazioni è necessaria allo stesso tempo l'evoluzione del meccanismo di rappresentazione della conoscenza. È fondamentale e allo stesso tempo difficile tenere traccia di tutte le informazioni e di usarle per applicazioni specifiche. La ricerca medica, può essere rappresentata utilizzando una modellazione ontologica e essere utilizzata poi, in applicazioni real time in sala operatoria (OR). Le ontologie chirurgiche, o i modelli di processi chirurgici, sono sempre più utilizzati per modellizzare la pratica clinica in termini di passi discreti, ovvero definendo gli steps e le azioni che devono essere eseguite dal chirurgo prima, durante e dopo la procedura chirurgica. In questo contesto, le ontologie e modelli chirurgici sono ottenuti assistendo a una serie di interventi chirurgici, registrando ogni gesto con il calcolatore, e fondendo insieme queste descrizioni. I modelli possono essere utili nella definizione di requisiti per un simulatore chirurgico e aiutare poi i chirurghi nella scelta dell'approccio chirurgico per uno specifico caso. Questo lavoro è oneroso in termini di dispendio di risorse e ha il rischio di essere influenzato da pratiche istituto-specifiche, senza caratterizzare le procedure in modo generico. Sul Web esistono ontologie mediche (SNOMED CT, OpenGALEN, ecc) che forniscono le tassonomie e le relazioni tra i concetti che appartengono al dominio chirurgico. L'obiettivo generale di questa tesi è di costruire una ontologia per la neurochirurgia dell'epilessia adottando un generico approccio, ovvero utilizzando un libro di testo per approfondire i concetti inclusi nel dominio neurochirurgico e integrando l'informazione estratta da interviste con i chirurghi per finalizzare le descrizioni dei concetti. Dato la chirurgia assistita utilizza la tecnologia informatica in tutte le fasi (fase pre-operatoria, intra-operatoria, post-operatoria), nell'ontologia sviluppata sono inclusi gli attori che partecipano a ciascuna delle tre fasi, come anche gli strumenti che possono essere utilizzati nella fase intra-operatoria di un intervento neurochirurgico specifico (come una craniotomia), o un elenco di test di imaging che possono essere effettuati in una o più delle tre fasi operatorie. Per l'applicazione specifica di questo lavoro di tesi, l'ontologia per la neurochirurgia dell'epilessia è ampliata con concetti specifici per il supporto alla diagnosi delle epilessie del lobo temporale o epilessie del lobo extratemporale. L'ontologia per la neurochirurgia dell'epilessia insieme alla sua parte applicativa ( di supporto alla diagnosi delle crisi epilettiche) è stato ideata in linguaggio Web Ontology Language (OWL), utilizzando Protègè come editor di ontologie. L'ontologia è implementato inoltre sul portale “http://rsp.inf.elte.hu” (sviluppato per il progetto EuRoSurge, FP7-ICT-2011-7-288233 ), che consente agli utenti registrati di fornire il loro contributo all'ontologia (apportando modifiche, aggiungendo nuovi concetti o discutendo dell'ontologia con altri utenti). A causa del possibile uso dell'ontologia da parte di chiunque (ad esempio, chirurghi con diverso background e nazionalità), è necessario chiarire univocamente i concetti che sono inclusi e risolvere le ambiguità, dato che parole diverse provenineti da differenti sorgenti di dati possono riferirsi allo stesso concetto. Il Web può essere utilizzato per collegare concetti correlati non ancora connessi, con l'obiettivo di ampliare e condividere dati, informazioni o conoscenze con la comunità. DBpedia, che raccoglie un insieme di risorse estratte da Wikipedia, viene utilizzata per collegare tutti i concetti relativi alla diagnosi e alla chirurgia dell'epilessia inclusi nell'ontologia. L'ontologia è utilizzata per modellare i sintomi che compaiono durante una crisi epilettica e per comprendere la correlazione esistente tra i sintomi epilettici. L'epilessia del lobo temporale è una forma di epilessia focale, mentre l'epilessia del lobo extratemporale ha origine al di fuori del lobo temporale. Crisi epilettiche del lobo temporale e extratemporale inducono sintomi diversi, che possono essere classificati in diversi modi. Un modo tradizionale è quello di classificare i sintomi oggettivi e soggettivi, in cui i sintomi soggettivi (come la paura e la sensazione epigastrica) differiscono dagli altri (come la deviazione testa e la deviazione degli occhi) per l'impossibilità di essere misurati fisicamente. In questa tesi vengono inclusi nell'ontologia 29 sintomi (14 dei quali sintomi soggettivi e 15 dei quali sintomi oggettivi). Tre centri clinici (Ospedali Besta, Niguarda Ca Granda, San Paolo di Milano) hanno fornito l'analisi di 109 pazienti, 60 dei quali sono pazienti con epilessia del lobo temporale (TLE), mentre 49 sono i pazienti con epilessia del lobo extratemporale (eTLE). Ogni paziente è stato video-registrato durante una crisi epilettica per 60 secondi. In ogni secondo, sintomi che compaiono durante la crisi epilettica sono impostati a '1 '. Quindi una matrice composta di zero e uno viene creata per ogni paziente. A partire dalla modellazione ontologica di crisi epilettiche e il dataset di TLE e eTLE, viene calcolata per ogni paziente una matrice di correlazione: questa matrice contiene tutte l'informazione di correlazione tra i sintomi (ad esempio i sintomi osservati durante una crisi sono più correlati rispetto ad un paio di sintomi in cui uno compare e l'altro no). Successivamente, una matrice di correlazione media (quindi un modello) per le due popolazioni di pazienti è calcolato. Un classificatore viene addestrato suddividendo il dataset in tre parti: il 70% per la addestramento, il 15% per la validazione e il 15% per il test. Questi modelli forniscono informazioni relativamente alla probabilità che un sintomo compaia durante una crisi e la correlazione con gli altri sintomi, oltre alla temporalità, quindi, il tempo di insorgenza durante la crisi epilettica e sono utilizzati per assegnare ogni nuovo paziente che presenta una certa semiologia ictale ad uno dei due tipi di epilessia. La soluzione viene valutata con il metodo di cross-validazione. L'accuratezza del classificatore, quindi il numero di pazienti correttamente identificati come pazienti TLE o eTLE sul numero di pazienti testati, viene confrontato con l'accuratezza di classificazione di 7 clinici degli Ospedali Besta, Niguarda Ca Granda e San Paolo, i quali hanno fatto le loro valutazioni sugli stessi dati utilizzati per istruire il classificatore. Il classificatore è testato su un sottoinsieme di pazienti estratti casualmente dall'insieme di pazienti originale e permette di classificare ogni nuova crisi epilettica di un paziente come TLE o eTLE. Con il classificatore addestrato viene raggiunta un'accuratezza complessiva (valore medio di crisi epilettiche correttamente identificate in fase di test) del 74,53% e una deviazione standard di 1,1226 (numero di crisi correttamente identificate che si discostano dalla media che è 11,18). Sia l'algoritmo che i clinici hanno tentato di classificare le crisi solo sulla base delle registrazioni video dei pazienti durante le crisi epilettiche. La accuratezza di classificazione dell'algoritmo presentato in questo lavoro è 12,62% in più rispetto alla classificazione fatta da medici (media). La modellazione ontologica, in questo senso, contribuisce a riassumere le informazioni di correlazione tra ogni sintomo e gli altri, e offre un diagnosi più accurata rispetto alla semplice analisi eseguita da clinici sulle registrazioni video delle crisi epilettiche. Una maggiore evoluzione dell'algoritmo potrebbe considerare l'integrazione di diversi tipi di informazioni cliniche di pazienti affetti da epilessia. È noto che la diagnosi dell'epilessia richiede un'attenta valutazione dei sintomi e della storia clinica, che dovrebbe preferibilmente includere osservazioni dettagliate da terze persone, poiché l'alterazione o perdita di coscienza spesso preclude una descrizione dei sintomi da parte del paziente stesso. Altri esami diagnostici includono la risonanza magnetica o TC e test di laboratorio, in grado di verificare o escludere cause specifiche. Con l'aiuto della modellazione ontologica proposta, diversi tipi di informazioni possono essere unificate e poi elaborate per ottenere nuove informazioni e diagnosi più accurate.