《Clinical Neurophysiology》：Multi-branch convolutional neural network and intracranial EEG high-frequency oscillations predict post-surgical seizure outcomes
编辑推荐：
本研究利用卷积神经网络（CNN）整合高频振荡（HFOs）特征、立体定向坐标及手术切除状态，通过五折交叉验证发现模型预测术后无发作的准确率达92%。单变量分析表明快速波（尤其是叠加于癫痫尖峰波中的）是关键预测因子。该模型为虚拟手术修正提供了可能，有助于优化癫痫手术规划。
Madhumathi Devaraj|Yihe Chen|Shuang Wang|Michael R. Sperling|Noa Herz|Chenyuan Wu|Richard Staba|Jerome Engel Jr|Itzhak Fried|Charles Mikell|Sima Mofakham|Petar M. Djuric|Shennan Aibel Weiss
美国石溪大学神经病学系
摘要
目的
病理性的高频振荡（HFOs）能够识别出癫痫发作的脑区，但其在外科手术中的应用效果尚未得到证实。目前的癫痫手术规划依赖于多学科专家的共识。我们研究了利用卷积神经网络（CNN），结合HFO特征、神经解剖结构和手术边界，是否能够预测患者的术后无癫痫发作情况。
方法
在78名术前患者的非快速眼动（NREM）睡眠脑电图（EEG）中检测到了HFOs。我们训练了一个三层的CNN模型，输入数据包括立体定向坐标、切除状态以及37个HFO特征，并利用已知的术后癫痫发作结果进行训练。该模型分别处理空间信息、电生理信息和手术数据，最终通过一个Sigmoid层预测术后无癫痫发作的概率。单变量HFO特征分析采用了双向混合效应方差分析（ANOVA）方法。
结果
基于HFO信息的CNN模型通过五折交叉验证，以92%的准确率区分了术后无癫痫发作的患者。单变量分析表明，尤其是叠加在癫痫样棘波上的快速涟漪（fast ripples），是该模型中的重要特征。
结论
一个整合了HFO特征、神经解剖结构和手术边界的训练有素的CNN模型，能够根据“金标准”手术规划准确预测术后无癫痫发作的结果。
意义
该CNN模型利用发作间期的非快速眼动睡眠记录，可以预测手术成功率，并通过反事实模拟进行迭代测试，从而可能改善术后癫痫发作结果。
引言
癫痫是一种严重的常见神经系统疾病，其特征是自发性癫痫发作以及猝死风险增加，尤其是对于那些尽管接受了最佳药物治疗但仍无法控制癫痫发作的患者（约占三分之一）。许多这类难治性患者适合接受癫痫手术治疗。一种癫痫手术方法是切除或热消融（例如激光间质热疗法[LITT]）被认为对癫痫发作起关键作用的脑组织。手术范围的确定由多学科团队共同判断，这一判断基于多模态数据的综合分析，特别是定位电临床定义的癫痫发作起始区（SOZ）。预测术后癫痫发作结果的重要生物标志物包括简化的临床元数据（Jehi等人，2015年；Jehi等人，2010年）、放射学数据（Widjaja等人，2020年）以及更详细的神经生理学数据（Guo等人，2024年；Nevalainen等人，2020年）。
在这项研究中，我们使用机器学习来预测术后癫痫发作结果。用于机器学习框架的特征来自一种称为高频振荡（HFOs，频率范围80–600 Hz）的特定神经生理学标志物。HFOs是短暂的电信号（持续时间8–200毫秒），可进一步分为涟漪（80–200 Hz）和快速涟漪（200–600 Hz）。涟漪和快速涟漪通常在非快速眼动睡眠期间接受侵入性监测的患者的颅内EEG（iEEG）中被检测到（Frauscher等人，2017年）。
过去25年的大量研究表明，癫痫发作起始区（SOZ）内的高频振荡（HFOs）发生率显著较高（Bragin等人，2002年；Jacobs等人，2008年；Jacobs等人，2009年；Staba等人，2002年；Staba等人，2007年；Urrestarazu等人，2007年；Shennan A. Weiss等人，2016年；Weiss等人，2021年）。然而，即使对SOZ进行手术切除，仍有35–50%的患者术后仍会出现癫痫发作，而在MRI检查结果为阴性的（非病灶性）癫痫患者中，这一失败率更高（Bulacio等人，2012年；Simasathien等人，2013年；Téllez-Zenteno等人，2005年）。
癫痫外科手术的一个重大进展是引入了癫痫发作区（EZ）的概念。EZ被定义为引发癫痫发作所必需且足够的脑区（Jehi，2018年；Rosenow和Lüders，2001年）。高频振荡（HFOs），包括涟漪和快速涟漪（尤其是叠加在癫痫样棘波上的），已被提出作为EZ的生物标志物。回顾性研究表明，完全切除快速涟漪或切除其大部分（超过60%）与术后无癫痫发作结果相关（Dimakopoulos等人，2024年；Guo等人，2024年；Nevalainen等人，2020年）。然而，切除所有产生快速涟漪的部位可能会不必要地增加术后并发症。此外，使用任意比例的切除阈值来界定涟漪或快速涟漪的位置，会使得手术规划缺乏明确性（Weiss等人，2024年）。
在这项研究中，我们从78名术前患者的NREM睡眠EEG中检测到了HFOs。利用已知的术后癫痫发作结果，我们训练了一个三层的CNN模型，输入数据包括37个HFO特征、立体定向坐标和切除状态。这37个HFO特征涵盖了不同类型的HFO及其相关特征，如频谱成分（频率）和功率。在CNN训练中，我们根据实际确定的手术边界而非电生理学定义的SOZ来判定电极接触点的切除状态。因此，在完全切除病灶的情况下，无论SOZ的实际大小如何，所有位于病灶内的电极接触点都被标记为“已切除”。这种方法的选择具有重要意义，因为它意味着模型将整个切除区域的特征与手术结果联系起来，从而影响其对术后无癫痫发作结果的预测准确性（Weiss等人，2024年）。
患者信息
研究选取了2014年至2018年间在加州大学洛杉矶分校接受颅内电极监测的19名成年患者，以及2016–2018年间在托马斯杰斐逊大学接受监测的29名成年患者，目的是为了定位癫痫发作起始区（SOZ）。其中31名患者接受了手术切除或消融治疗，12名患者植入了植入式神经记录系统（RNS）。纳入标准包括术前MRI检查。
数据描述
我们分析了来自UCLA的7名患者、TJU的15名患者和ZJU的56名患者的数据。补充表1提供了每位患者的年龄、性别、MRI检查结果、PET检查结果、SOZ的位置、切除部位的位置、病理结果以及术后癫痫发作结果。iEEG数据以10分钟的间隔进行检测，并排除了含有干扰的记录。对于UCLA的7名患者，我们分析了4.86±1.21（平均值±标准差）个数据块。
讨论
本研究提出了一个用于预测癫痫手术临床结果的CNN模型，该模型应用于那些手术方案由多学科专家共识确定的病例。CNN模型的训练和测试基于每个电极接触点是否位于“金标准”手术边界内外的情况，同时考虑了HFO特征和神经解剖学位置。
结论
如果未来的研究能够验证HFO CNN模型预测术后癫痫发作结果的准确性，那么该模型的一个创新方向将是利用反事实模拟——即对手术方案进行虚拟修改。如果CNN预测初始提出的手术方案可能失败，该系统可以生成并测试其他替代方案，以找到成功率更高的方案。未来的研究需要更大的患者样本量来支持这一方向。
未引用的参考文献
Aibel等人（2016年）。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本研究得到了美国国立卫生研究院（K23 NS094633项目）、美国癫痫协会（S.A.W.）的青年研究员奖（R01 NS106957，R.J.S.）、Resnick家族基金会（J.E.）以及Christina Louise George Trust（R.J.S., J.E.）的支持，同时还得到了欧洲研究委员会（ERC-2019-CoG 864353，Y.N.）的资助。本文中的观点、意见和/或发现仅代表作者本人，并不代表任何官方立场。
