脑电图（EEG）微状态衍生的动态网络生物标志物，用于颞叶癫痫的偏侧化及结构病因研究

《Epilepsia》：EEG microstate-derived dynamic network biomarkers for lateralization and structural etiology in temporal lobe epilepsy

EEG微状态动态功能连接性分析用于颞叶癫痫分类与定位研究，通过机器学习模型（SVM）在癫痫检测和侧化中表现优异（AUC 0.98, 0.97），但对MRI-negative与TLE-HS分类效果有限（AUC 0.58）。

　　

摘要

研究目的

颞叶癫痫（TLE）是最常见的局灶性癫痫类型，但在不同半球和病因结构上仍存在高度异质性。本研究旨在利用机器学习技术，分析TLE中的微状态网络动态，并评估其对于癫痫发作定位和病因结构鉴定的诊断价值。

研究方法

分析了150名单侧TLE患者（71例右侧，79例左侧）和65名健康对照组（HCs）的静息态脑电图（EEG）数据。将EEG信号分割为几种典型的微状态（A、B、C、D），并使用相位滞后指数分析方法提取了与这些微状态相关的空间和时间动态功能连接性（dFC）变化指标。经过两步特征选择后，获得了合适的特征数量，并将其输入随机森林（Random Forest）、XGBoost和支持向量机（SVM）分类器中，以区分TLE与HCs、左侧TLE与右侧TLE，以及磁共振成像（MRI）阴性的TLE（MRI-neg）与海马硬化（HS）TLE亚型（TLE-HS）。模型性能通过独立保留验证集的接收者操作特征曲线（receiver operating characteristic）分析进行评估。

研究结果

与健康对照组相比，TLE患者的D微状态持续时间更长、出现频率更高，而B微状态的表达减少，这反映了注意力过度激活和视觉抑制的异常现象。整体而言，空间变异性降低，尤其是在左侧TLE患者中更为明显。SVM在TLE检测（曲线下面积AUC=0.98）和发作定位（AUC=0.97）方面表现出优异的性能，但在区分MRI阴性的TLE和TLE-HS亚型方面的效果有限（AUC=0.58）。

研究意义

基于EEG微状态的dFC指标为利用短时静息态EEG记录识别和定位TLE提供了可靠的、无创的生物标志物。该研究有助于加深对TLE异质性的理解，并为开发个性化电生理诊断工具提供了支持。

利益冲突声明

作者声明不存在利益冲突。我们确认已阅读期刊关于伦理出版相关问题的规定，并确认本报告符合这些指导原则。

数据可用性声明

支持本研究结果的数据可向通讯作者索取。由于隐私或伦理限制，这些数据无法公开。