Project

neuroimaging; stroke; outcome prediction

Lead
Die Behandlung des Schlaganfalles in der Akutphase ist schwierig, da sie mit Komplikationen verbunden sein kann, Therapie-Entscheidungen aber in kurzer Zeit getroffen werden müssen. Bisherige Prädiktoren für Therapieerfolg konzentrieren sich auf die Schlaganfall-Läsion selbst (Größe, Schwere des Gewebeschadens). In dem Projekt soll untersucht werden, wieweit die Gegenseite des Gehirns über Regulation der Hirndurchblutung und Kollateralversorgung zum Schutz des betroffenen Gebietes beiträgt. Hieraus sollen neue Prädiktoren für Therapie-Erfolg entwickelt werden.
Lay summary
Inhalt und Ziele des Forschungsprojektes Trotz weiterentwickelter Behandlungsmöglichkeiten stellt Schlaganfall weiterhin ein immenses Problem für die Betroffenen und ihre Familien dar. Zudem ist die Akutbehandlung (Thrombolyse) mit Risiken verbunden. Bildgebung des Gehirns ist ein zentraler Bestandteil der Schlaganfalldiagnostik und wird zur Entscheidung für oder gegen eine Therapie genutzt. Hierbei beurteilt der Kliniker Grösse und Schwere der Läsion zusammen mit anderen Faktoren wie Alter und Begleiterkrankungen, um eine optimale Entscheidung für den Patienten zu treffen. Dies ist aber mit den bestehenden Methoden nur ungenügend möglich. In dem aktuellen Projekt sollen neue, bessere Bildgebungsprädiktoren entwickelt werden. Aus experimentellen Schlaganfallstudien und Pilotdaten von Patienten wissen wir, dass die Gegenseite des Hirnes eine wichtige Rolle zur Unterstützung des betroffenen Gewebes spielt. In einem klinischen Projektteil sollen Bildgebungsdaten, speziell Bilder der Hirndurchblutung aus der Routinediagnostik mit neuen Methoden untersucht werden, um den Beitrag der Gegenseite zu charakterisieren. Hierbei kommen auch automatisierte Methoden («deep learning») zur Anwendung. In einem experimentellen Teil werden Mechanismen der Blutflussregulation auf der Gegenseite analysiert. Dazu wird in einem Schlaganfallmodell die Reaktion der Blutgefässe auf der Gegenseite durch optische Verfahren in vivo beurteilt. Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojektes In dem translationalen Projekt werden sich klinischer und experimenteller Forschungsteil ergänzen, um Mechanismen von Blutflussregulation bei Schlaganfall zu erforschen, und neue Bildgebungsprädiktoren zu entwickeln, die direkt in der Klinik angewandt werden können. Das Ziel ist, Therapieentscheidungen bei Schlagfall zu verbessern.

Direct link to Lay Summary

Last update: 04.07.2017

Stroke Data set (Herzog et al. "Integrating uncertainty in deep neural networks for MRI based stroke analysis" 2020)

Author	Herzog, Lisa
Persistent Identifier (PID)	https://www.zora.uzh.ch/search/?q=10.1016%2Fj.media.2020.101790&size=n_10_n
Repository	Github

Stroke outcome prediction

Author	Herzog, Lisa
Persistent Identifier (PID)	https://github.com/liherz/stroke_outcome_prediction_ML
Repository	Github

Active participation

Self-organised

Active participation

Self-organised

Communication	Title	Media	Place	Year

Number	Title	Start	Funding scheme

Despite improvements in primary prophylaxis and acute recanalization treatments, stroke remains one of the leading causes of death and disability worldwide. In order to achieve the best outcome possible for the individual patient, therapies have to be administered rapidly. However, the longer the time from symptom onset, the lower the efficacy and the higher the risk of treatment side effects. Although brain imaging is the mainstay of acute stroke diagnostics, current imaging strategies that aim to predict therapeutic success or failure in acute stroke patients remain insufficient. Here, we propose a novel prediction approach that is based on immediate and long-term vascular adaptations affecting the contralateral side of stroke. From data obtained through animal models of stroke and imaging in patients with proximal vessel occlusions, contralateral cerebral blood flow (CBF) appears to be particularly suited to predict clinical benefit from recanalization therapies. Contralateral CBF and related perfusion parameters may indicate the ability of the individual to withstand longer durations of ischemia. In the experimental part of the project, we will use a thrombin-injection stroke model that does not artificially impact collateral supply. Reperfusion will be achieved through intravenous injection of recombinant tissue plasminogen activator (rtPA). To assess CBF and ischemic tissue damage, repeated magnetic resonance imaging (MRI) combined with positron emission tomography (PET) will be performed during ischemia, after reperfusion and in the chronic phase of stroke along with behavioral assessments. In the same stroke model, processes influencing CBF on the microvascular level will be directly observed using advanced optical imaging methods. Structural adaptations of the microvascular bed as well as gene and protein expression profiles contralateral to stroke will be analyzed in brain samples. In the clinical part of the project, we will analyze stroke patient imaging data in relation to clinical outcome. In addition to a traditional region-of interest (ROI) based analysis we will apply a novel, “unbiased” machine learning algorithm to extract relevant outcome predictors from patient imaging data.Using a translational approach we aim for a mechanistic characterization of the concept of contralateral flow changes in stroke, and will generate and apply imaging predictors to clinical patient data. With the multidisciplinary study proposed here, I envision i) to deepen the understanding of the basic mechanisms regulating brain perfusion after ischemic stroke, and ii) to improve therapeutic decision-making in acute stroke patients.