Non-invasive estimation of intracranial pressure from computed tomography images using artificial intelligence methods

Abstract

This study introduces a novel Deep Learning based approach in order to estimate Intracranial Pressure (ICP) non-invasively. It uses standard CT brain scans in combination with patient data (clinical and demographic). Elevated Intracranial Pressure is a critical condition in neurological cases like Traumatic Brain Injury and hydrocephalus, influencing cerebral perfusion. Potentially it can cause irreversible brain damage or even death. While invasive methods such as external ventricular drainage and intraparenchymal probes are considered the most accurate way to monitor Intracranial Pressure, they carry considerable dangers, such as hemorrhage, infection, high cost, and the requirement for expert neurosurgical intervention. This highlights the urgent need for a reliable, accurate, and rapid non-invasive monitoring technique. This research was conducted as a retrospective observational study that analyzed a dataset of 578 patient cases from PAGNI hospital, gathered from 2012 to 2023. The research included patients who had both a CT scan and an associated ICP measurement taken within a strict ±1-day window. ICP was mainly measured using fiberoptic intraparenchymal catheters or intraventricular catheters. Patients were then classified into two groups based on a clinically relevant threshold of 15 mmHg: 140 pathological cases (ICP ≥ 15 mmHg) and 438 normal cases (ICP < 15 mmHg). A comprehensive preprocessing pipeline was applied to the data, including anonymization, Hounsfield Unit conversion, and windowing for better tissue contrast. For consistency, images were resampled to a fixed dimension (120 × 128 × 128), then normalized, and finally skull segmented in order to remove irrelevant regions. A significant innovation of this study was the way that demographic data (age, sex, Glasgow Coma Scale scores) were integrated. This was achieved by encoding and embedding these data into synthetic 2D image slices, which were then combined with the CT volumes, creating a single, unified input for the Deep Learning models. Four distinct Deep Learning models were investigated: a custom-designed 3D Convolutional Neural Network, and three 3D adaptations of ImageNet (DenseNet201, ResNet101, and MobileNetV2) that were initially pretrained. Training strategies included binary cross-entropy loss, the Adam optimizer, ReLU activation for hidden layers, and sigmoid for the output. Also, dropout and L2 regularization were implemented in order to mitigate overfitting. To manage the imbalanced dataset 1:3 pathological-to-normal ratio), data augmentation (random rotations, Gaussian blurring for minority class) and class weighting were used. The models were assessed by using Area Under the Receiver Operating Characteristic Curve (AUC), Area Under the Precision-Recall Curve (PR AUC), F1 score, recall (Sensitivity), and precision. The MobileNetV2 3D model was emerged clearly as the top-performing model, especially when demographic data were included. It achieved an impressive AUC of 0.883, a PR AUC of 0.694, and a recall of 0.818. The inclusion of demographic data significantly boosted its performance, leading to a 9.9% increase in AUC and a 21.1% rise in PR AUC for MobileNetV2 3D, highlighting the benefits of combining different data types. DenseNet201 3D also performed well, regardless of whether demographic data was included. In contrast, ResNet101 3D consistently failed to distinguish between classes, performing no better than random chance with an AUC of 0.500.Class Activation Maps were used to provide visual explanations of the models' decision-making process. MobileNetV2 3D heatmaps clearly showed concentrated activity around important brain areas, like the ventricular system and periventricular regions. This aligns with known signs of high Intracranial Pressure. This contrasts with the diffuse and non-specific activations from the poorly performing ResNet101 3D, emphasizing how important it is for a model to be interpretable for clinical trust.The study's findings proves that Artificial Intelligence can classify Intracranial Pressure using routine CT scans, offering by this way a practical and scalable solution, comparable to other non-invasive methods. The models’ high recall values make them suitable for clinical screening, where sensitivity in detecting pathological cases is critical. Despite the limitations of the study, such as the relatively small dataset, the class imbalance, temporal inconsistencies, and the lack of external validation, it lays a strong foundation for future research. Future directions focus on gathering larger datasets from multiple centers, looking into multi-class or regression approaches, adding time-based data, improving explainability, and further integrating multi-modal clinical information.

Η εργασία πραγματεύεται την ανάπτυξη ενός πρωτοποριακού-καινοτόμου συστήματος μη επεμβατικής (noninvasive) εκτίμησης της ενδοκράνιας πίεσης (Intracranial Pressure - ICP) μέσω ανάλυσης αξονικών τομογραφιών (CT scans) με χρήση τεχνικών βαθιάς μάθησης (Deep Learning). Η ακριβής και έγκαιρη εκτίμηση της ICP είναι κρίσιμη για τη διαχείριση νευρολογικών περιστατικών, καθώς η αύξησή της μπορεί να οδηγήσει σε ισχαιμία, εγκεφαλική κήλη και τελικά θάνατο. Παρά την κλινική της σημασία, η παραδοσιακή μέθοδος παρακολούθησης της ICP απαιτεί επεμβατικές τεχνικές, όπως η τοποθέτηση ενδοκοιλιακού καθετήρα ή ενδοπαρεγχυματικού αισθητήρα, οι οποίες φέρουν σοβαρούς κινδύνους, όπως αιμορραγία και λοιμώξεις. Η ανάγκη για μη επεμβατικές, φθηνές και αξιόπιστες μεθόδους έχει οδηγήσει την επιστημονική κοινότητα να διερευνήσει εναλλακτικές τεχνικές. Ενώ έχουν γίνει σημαντικές προσπάθειες με παραδοσιακές noninvasive μεθόδους (όπως ONSD και transcranial Doppler) καμία δεν έχει καταφέρει να υποκαταστήσει με ακρίβεια τα αναγνωρισμένα διεθνώς επεμβατικά εργαλεία. Επιπλέον, πολλές από τις υπάρχουσες τεχνικές απαιτούν εξειδικευμένο εξοπλισμό και προσωπικό, κάτι που περιορίζει τη γενίκευσή τους σε περιβάλλοντα περιορισμένων πόρων. Σε αυτό το πλαίσιο, η εργασία παρουσιάζει μια καινοτόμο προσέγγιση, αξιοποιώντας μοντέλα που εκπαιδεύονται σε δεδομένα όπως αξονικές εγκεφάλου, δημογραφικά στοιχεία και τιμές από τον δείκτη Γλασκώβης. Η εισαγωγή επιπλέον κλινικών δεδομένων στα μοντέλα αποτελεί σημαντική καινοτομία, καθώς μιμείται τον τρόπο που οι ιατροί συνδυάζου πολλαπλές πηγές πληροφορίας για τη διάγνωση.Η βάση δεδομένων περιλαμβάνει 578 περιπτώσεις, εκ των οποίων 278 προέρχονται από περιστατικά που αντιμετωπίστηκαν στο ΠΑΓΝΗ μεταξύ 2012 και 2023 και είχαν τόσο CT scan όσο και καταγεγραμμένες τιμές ICP εντός χρονικού παραθύρου ± 1 ημέρας (οι περισσότερες εντός 3 ωρών). Από αυτές, οι 140 ταξινομήθηκαν ως παθολογικές (ICP ≥ 15 mmHg) και 438 ως φυσιολογικές. Ενσωματώθηκαν και 300 επιπλέον περιστατικά CT εγκεφάλου από ασθενείς χωρίς νευρολογική παθολογία για την ενίσχυση της εκπαίδευσης του μοντέλου. Στην προεπεξεργασία των δεδομένων εφαρμόστηκαν τα κατάλληλα στάδια. Τα μοντέλα αξιοποίησαν ογκομετρικά δεδομένα CT με τις συνοδευτικές GCS και ηλικιακές τιμές να εισάγονται ως επιπλέον κανάλια πληροφορίας, ενισχύοντας την ικανότητα γενίκευσης των νευρωνικών δικτύων. Αναπτύχθηκαν και συγκρίθηκαν τέσσερα διαφορετικά μοντέλα με στόχο την δυαδική ταξινόμηση σε : φυσιολογική / παθολογική ICP. Για την εκπαίδευση χρησιμοποιήθηκαν τεχνικές κατάλληλες για μη-ισορροπημένα datasets. Η αξιολόγηση περιλάμβανε κριτήρια όπως accuracy, precision, recall, F1-score και AUC-ROC. Σύμφωνα με τα αποτελέσματα, το καλύτερο μοντέλο πέτυχε: •Recall: 81% •AUC: 88% Τα αποτελέσματα αυτά είναι εξαιρετικά ενθαρρυντικά μιας και η ακρίβεια του μοντέλου είναι συγκρίσιμη (ή ανώτερη) με πολλές από τις πιο ώριμες παραδοσιακές noninvasive τεχνικές όπως ONSD ή TCD, οι οποίες, όπως δείχθηκε στη σχετική βιβλιογραφική ανασκόπηση παρουσιάζουν σημαντική διακύμανση σε ευαισθησία και ειδικότητα, εξαρτώμενες συχνά από τον χειριστή. Μία ακόμα σημαντική συνεισφορά της εργασίας είναι η χρήση εργαλείων οπτικής ερμηνευσιμότητας, όπως CAMs, για την επεξήγηση των αποτελεσμάτων μέσω περιοχών των εικόνων της αξονικής . Η δυνατότητα αυτή καθιστά το μοντέλο περισσότερο αποδεκτό από κλινικούς ιατρούς, ενισχύοντας τη διαφάνεια και την εμπιστοσύνη στη χρήση AI στην ιατρική πράξη. Τα αποτελέσματα της εργασίας δείχνουν ότι ένα καλά εκπαιδευμένο μοντέλο μπορεί να αναγνωρίσει μοτίβα που σχετίζονται με αυξημένη ICP απευθείας από απλές, ταχείες και ευρέως διαθέσιμες CT εγκεφάλου. Αυτό έχει τη δυνατότητα να μεταμορφώσει τον αλγόριθμο σε εργαλείο προ-διαλογής με υψηλή ευαισθησία. Η εργασία δεν αποτελεί απλώς μία ακόμη εφαρμογή AI στην ιατρική εικόνα, αλλά μια συστηματική και τεχνικά τεκμηριωμένη προσπάθεια να δοθεί λύση σε ένα πραγματικό και σημαντικό κλινικό πρόβλημα. Η χρήση δεδομένων που αντιστοιχούν σε πραγματικούς ασθενείς, η κλινική εγκυρότητα του dataset και η εφαρμογή GDPR, (ανωνυμία, έγκριση από ηθική επιτροπή) προσδίδουν στην εργασία κύρος και ουσιαστικό αντίκρισμα. Η συγκεκριμένη ερευνητική προσπάθεια αποδεικνύει την πρακτική δυνατότητα δημιουργίας μη επεμβατικών, γρήγορων και υψηλής ακρίβειας μοντέλων για ICP εκτίμηση, αξιοποιώντας υπάρχοντα κλινικά δεδομένα. Παρέχει ένα ισχυρό υπόβαθρο για μελλοντική έρευνα, με στόχο την πλήρη ενσωμάτωση τέτοιων εργαλείων σε συστήματα υποστήριξης ιατρικών αποφάσεων και εφαρμογές στα ΤΕΠ και τις ΜΕΘ.