Background: Glioma resection poses a delicate balance between the imperative to achieve maximum tumor resection for extended survival and the need to avoid neurological impairment. Effective planning procedures are crucial for navigating this delicate decision-making process. Methods like tractography, a technique utilizing diffusion magnetic resonance imaging (dMRI) to visualize fiber bundles in the brain, and navigated transcranial magnetic stimulation (nTMS), a neurostimulation method for mapping brain regions, provide valuable insights non-invasively into the subcortical and cortical functionality of language. Methods: For study 1 and 2, we employed a novel nTMS language mapping protocol, in which tractography of the arcuate fasciculus (AF) was registered onto the patient’s T1 image and the cortical endings of the AF stimulated during mapping. The tractogram-based protocol was compared against a pre-existing protocol stimulating generally over the perisylvian cortex. In study 2, we took a linguistic approach and tested the impact of using transitive vs. intransitive verbs during nTMS language mapping. In study 3, we analysed preoperative diffusion data using TractSeg, an automated tract segmentation algorithm. After extracting the diffusion metrics using MRtrix3, a machine learning (ML)-based support vector machine (SVM) model was implemented to predict the occurrence of preoperative aphasia. Results: The implemented tractogram-based protocol in study 1 demonstrated proof-of-concept in the clinical workflow and significantly higher error rates (ER) when compared to the perisylvian protocol. Study 2 also stimulated endings of the AF with action naming and demonstrated a higher ERs for transitive verbs, especially in the temporal endings of the AF. In study 3, the model with the best performance utilized dMRI-based features, tumor grade and location, relative tract volumes, and patient demographics, achieving a maximum accuracy of 81% (AUC = 85%, specificity = 85%, sensitivity = 73%). Conclusion: Refinements to preoperative planning techniques play a crucial role in achieving optimal and individualized patient outcomes. This project involved the introduction of a novel targeted protocol, specifically stimulating the AF. Furthermore, we adapted the language mapping protocol in study 2 to evaluate the impact of linguistic stimuli on mapping outcomes and in study 3, employed ML-based methods to predict preoperative aphasia. Together, these initiatives aimed to enhance the assessment of language function in the preoperative setting and advance planning procedures for glioma patients.
Hintergrund: Bei der Resektion von Gliomen ist die individuelle Abwägung zwischen maximaler Tumorresektion, um das Überleben des Patienten zu verlängern, und der Vermeidung zusätzlicher neurologischer Beeinträchtigungen durch die Beschädigung noch intakter funktioneller Strukturen eine zentrale Herausforderung. Daher sind effektive Planungsverfahren notwendig, die diesen anspruchsvollen Entscheidungsprozess unterstützen. Nichtinvasive Methoden wie die Traktographie, eine Technik, welche die Diffusionsbildgebung mittels Magnetresonanztomographie (dMRI) nutzt, um Faserbündel im Gehirn zu visualisieren, und die navigierte transkranielle Magnetstimulation (nTMS), eine Neurostimulationsmethode zur Kartierung von Hirnregionen, erlauben es, die subkortikale und kortikale Lokalisation der Sprache zu untersuchen. Methoden: In den Studien 1 und 2 haben wir ein neuartiges nTMS-Sprachkartierungsprotokoll verwendet, bei dem präoperativ ein Datensatz erstellt wurde, in dem die Traktographie des Fasciculus arcuatus (AF) auf das T1-MRT des Patienten registriert wurde, und die kortikalen Enden des AF während der Kartierung stimuliert wurden. Das gezielte, traktographiebasierte Protokoll wurde mit einem bereits bestehenden Protokoll verglichen, das ausschließlich über dem perisylvischen Kortex stimuliert. In Studie 2 haben wir einen linguistischen Ansatz untersucht, indem wir die Auswirkungen der Verwendung transitiver statt intransitiver Verben, während der nTMS-Sprachkartierung getestet haben. In Studie 3 haben wir präoperative Diffu-sionsdaten mit TractSeg, einem automatisierten Traktsegmentierungsalgorithmus, analysiert. Nach Extraktion der Diffusionsmetriken unter Verwendung von MRtrix3 wurde eine auf maschinellem Lernen (ML) basierende Support-Vector-Machine (SVM) implementiert, um das Auftreten präoperativer Aphasie bei Patienten vorherzusagen. Ergebnisse: Studie 1 demonstrierte einen Konzeptnachweis des traktographie-basierten Kartierungsprotokolls im klinischen Alltag und signifikant höhere Fehlerquoten im Vergleich zum perisylvischen Protokoll. Studie 2 stimulierte ebenfalls Enden des AFs mit Aktionsbenennungen und zeigte eine höhere Fehlerquoten für transitive Verben, insbesondere in den temporalen Enden des AF. In Studie 3 nutzte das Modell mit der besten Leistung dMRI-basierte Merkmale, Tumorgrad und -ort, relative Traktvolumina sowie demografische Daten, um eine maximale Genauigkeit von 81% zu erreichen (AUC = 85%, Spezifität = 85%, Sensitivität = 73%). Schlussfolgerung: Die individualisierte Optimierung präoperativer Planungstechniken spielt eine entscheidende Rolle für die Verbesserung der Patientenversorgung. In diesem Projekt wurde die Evaluation eines neuartigen, gezielten Protokolls, das speziell den AF stimuliert, demonstriert. Darüber hinaus haben wir das Sprachkartierungsprotokoll in Studie 2 angepasst, um die Auswirkungen von sprachlichen Reizen auf die Kartierungsergebnisse zu bewerten, und in Studie 3 ML-basierte Methoden zur Vorhersage von Aphasien eingesetzt. Durch die genauere Untersuchung der Sprachfunktionalität vor der Operation kann zusätzliche neurologische Beeinträchtigung verhindert und die Patientenversorgung verbessert werden.
