Как предсказать исход операции на мозге экспресс
Когда лекарства не помогают при эпилепсии, врачи предлагают операцию: удалить участок мозга, где рождаются приступы. Но заранее сказать, поможет ли это конкретному человеку, сложно. Снимки МРТ до операции показывают только текущее состояние, а не то, как мозг изменится после вмешательства.
Новый подход работает как библиотекарь, который ищет похожие истории болезни. Программа берёт два снимка — до и после операции — и сжимает разницу между ними в короткий код из 512 чисел. Затем она находит в архиве случаи с похожим кодом: у кого мозг менялся так же. На основе этих примеров программа составляет прогноз: помогла ли операция, и почему.
Точность предсказаний оценили по шкале от 0 до 1 (чем ближе к 1, тем лучше). Программа набрала от 0.834 до 0.905, а старый метод, который смотрит только один снимок, — 0.793. Это заметный шаг вперёд, но пока система училась на 268 парах снимков из открытой базы данных. Авторы честно признают: программа могла запомнить не само улучшение, а просто место операции — например, висок или другую область. Поэтому сейчас это скорее проверка идеи, а не готовый инструмент для больницы.
Первый шаг сделан: программа умеет находить похожие случаи и объяснять прогноз без галлюцинаций — выдуманных фактов. Если добавить больше данных из разных клиник, точность вырастет, и тогда решение об операции станет более обоснованным.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2604.14216
Predicting post-surgical seizure outcomes in pharmacoresistant epilepsy is a clinical challenge. Conventional deep-learning approaches operate on static, single-timepoint pre-operative scans, omitting longitudinal morphological changes. We propose \emph{Neuro-Oracle}, a three-stage framework that: (i) distils pre-to-post-operative MRI changes into a compact 512-dimensional trajectory vector using a 3D Siamese contrastive encoder; (ii) retrieves historically similar surgical trajectories from a population archive via nearest-neighbour search; and (iii) synthesises a natural-language prognosis grounded in the retrieved evidence using a quantized Llama-3-8B reasoning agent. Evaluations are conducted on the public EPISURG dataset ($$N{=}268$$ longitudinally paired cases) using five-fold stratified cross-validation. Since ground-truth seizure-freedom scores are unavailable, we utilize a clinical proxy label based on the resection type. We acknowledge that the network representations may potentially learn the anatomical features of the resection cavities (i.e., temporal versus non-temporal locations) rather than true prognostic morphometry. Our current evaluation thus serves mainly as a proof-of-concept for the trajectory-aware retrieval architecture. Trajectory-based classifiers achieve AUC values between 0.834 and 0.905, compared with 0.793 for a single-timepoint ResNet-50 baseline. The Neuro-Oracle agent (M5) matches the AUC of purely discriminative trajectory classifiers (0.867) while producing structured justifications with zero observed hallucinations under our audit protocol. A Siamese Diversity Ensemble (M6) of trajectory-space classifiers attains an AUC of 0.905 without language-model overhead.
Разница между снимками мозга до и после операции сжимается в код из 512 чисел — примерно как отпечаток пальца, только для изменений в мозге.
Похожий принцип — поиск в архиве прошлых случаев для предсказания будущего — обыгран в фильме «Особое мнение», где система предотвращает преступления, анализируя видения провидцев.