《Advanced Science》：Structural Eigenmodes of the Brain to Improve the Source Localization of EEG: Application to Epileptiform Activity
编辑推荐：
本文针对癫痫病灶难以精确定位且现有EEG/MEG源成像方法依赖非生理约束的问题，推荐一项发表于《Advanced Science》的研究。研究者创新性地将大脑结构特征模态（包括几何模态和连接组模态）作为约束引入EEG源定位算法，通过大规模的仿真数据与临床患者验证表明，该方法在追踪癫痫发作传播及定位致病区方面，优于传统算法（如dSPM、MNE、LORETA等），为无创、精准定位癫痫灶提供了新思路。
癫痫，这个影响着全球约0.6%人口的神经系统疾病，其治疗的核心挑战在于精准定位导致异常放电的大脑区域——致病区。对于药物难治性局灶性癫痫患者，手术切除致病区是潜在的治疗方法，但成功的关键在于术前对其位置的精确描绘。目前，颅内脑电图（sEEG）等技术虽然能提供高精度的定位，但其侵入性带来了手术风险、空间覆盖有限等局限。非侵入的脑电图（EEG）和脑磁图（MEG）虽可记录大脑的电生理活动，但其空间分辨率有限，且存在一个根本性的数学难题：从有限数量的传感器信号（例如数十个电极）中，逆向推演出成千上万潜在神经源的活动，是一个典型的“欠定”问题，有无数种可能的解。为了得到唯一且合理的解，传统的源定位算法（如dSPM、MNE、LORETA等）通常依赖数学或统计学上的约束（如最小范数、平滑性等），这些约束往往缺乏坚实的神经生理学基础，有时甚至会产生不切实际的生物结果。
一个新兴的神经科学观点认为，大脑的结构（包括其物理形状和解剖连接）是制约和解释其功能的基础。由此衍生出的“结构特征模态”（structural eigenmodes）分析，为理解脑功能提供了一个强大的数学框架。这就像用傅里叶变换将复杂的时间信号分解为正弦和余弦波一样，结构特征模态可以将大脑空间活动模式分解为一组正交的基础“波”。其中，基于大脑皮层表面几何形状计算出的“几何特征模态”和基于大脑白质纤维连接矩阵计算出的“连接组特征模态”，已被证明在解释功能磁共振（fMRI）活动等方面具有强大能力。那么，能否将这两种结构模态作为生理学上更合理的约束，应用于EEG/MEG的源定位问题，从而提升对癫痫等疾病病灶的定位精度呢？这项发表在《Advanced Science》上的研究，对此进行了深入探索。
为了开展这项研究，研究人员构建了一个从结构数据到仿真验证的完整技术流程。他们主要运用了以下几个关键技术方法：首先，他们利用来自Human Connectome Project的个体磁共振成像（MRI）数据，分别构建了代表大脑皮层物理形状的“几何特征模态”和代表大脑白质纤维连接的“连接组特征模态”。其次，他们采用了Epileptor模型（一个模拟癫痫发作动力学的大规模神经群模型），并将其耦合到个体特异性的大脑结构连接网络上，生成了模拟的、已知“金标准”的癫痫发作源活动。接着，他们利用边界元法构建了精确的头皮-颅骨-皮层三层前向模型，将模拟的源活动映射到不同密度的EEG电极布局（如10-20、10-10、10-05系统）上，生成模拟的EEG信号。最后，他们开发了基于结构特征模态的源定位算法，将模态作为基函数来求解EEG逆问题，并在模拟数据和20名药物难治性局灶性癫痫患者的真实EEG数据上进行了全面评估。
2.1 几何与连接组特征模态可有效表征模拟的皮质源活动
研究首先验证了仿真模拟的癫痫发作活动能够被结构特征模态有效分解。结果显示，无论是几何模态还是连接组模态，都仅需相对少量的模式就能在源空间和EEG空间高水平地重建模拟信号。例如，使用200个几何特征模态就能解释约75%的源空间信号方差。在EEG空间，仅需20个特征模态就能重建超过90%的信号方差。这表明，模拟的神经活动确实集中在大脑的低空间频率模式上，验证了结构模态作为基函数是高效且合理的。有趣的是，在低模态数量下，几何特征模态似乎比连接组模态具有更高的解释力。
2.2 结构特征模态能够实现癫痫发作传播的源定位
在模拟数据上，研究将基于几何和连接组模态的源定位算法与dSPM、MNE、sLORETA、eLORETA等传统方法进行了比较。结果显示，在标准10-10 EEG布局下，传统方法在追踪癫痫发作的空间传播方面表现不佳，其估计的信号与实际信号的余弦相似度（cosine score）很低。相比之下，两种结构特征模态方法均能很好地追踪发作从起始区域向全脑传播的动态过程，在余弦相似度、区域定位误差等指标上显著优于传统方法。研究还发现了一个有趣的现象：在无噪声条件下，随着使用的特征模态数量增加，定位性能并非单调提升，而是先下降后上升，在模态数量等于电极数量（如10-10系统的88个）时出现“低谷”，随后性能再次改善并趋于稳定。这一现象与机器学习中的“双下降”理论相吻合，提示了“过参数化”可能带来益处。在添加了不同信噪比（SNR）的噪声后，通过截断奇异值来处理噪声，算法仍能保持稳健性能。
2.3 几何特征模态在临床数据中显示出定位致病区的潜力
研究进一步在20名接受了切除手术并获得良好疗效的癫痫患者真实数据上验证了算法。这些数据包含了每位患者数十个发作间期棘波的平均EEG信号。研究人员将手术切除区域作为近似“金标准”，与不同源定位算法估计的活跃区进行比较。结果显示，基于几何特征模态的方法在“召回率”这一指标上显著高于连接组模态方法以及sLORETA、eLORETA等传统方法。这意味着几何模态方法能够更完整地覆盖真实致病区，而不过度扩张估计范围，在临床定位任务中展现出优势。
在研究的讨论部分，作者强调了本工作的核心意义。结构特征模态为EEG源定位问题提供了一种计算高效、且生物学解释力更强的约束方法。它利用了“大脑的低频、长波长远距离活动占主导”这一神经科学认知，通过赋予不同波长的模态以不同的权重，更符合生理实际。研究结果表明，尽管模拟的癫痫活动是基于特定受试者的连接组生成的，但仅基于大脑几何形状的模态在源定位任务中仍能取得与连接组模态相当甚至略优的表现。这可能是因为大脑的几何形状以一种更基础的方式约束了大规模神经动力学的传播模式，而连接组模态虽然包含了更详细的连接信息，但其在源定位问题中的表现受限于EEG信号的空间模糊性。最后，作者指出，使用群体平均的结构数据（如fsaverage模板和群体平均连接组）生成的模态，与使用个体特异性数据生成的模态性能相近，这极大地增强了该方法的临床实用性，因为获取个体高分辨率扩散磁共振成像数据并非总是可行。这项研究为无创、精准定位癫痫致病区开辟了新途径，未来可望在癫痫手术规划、脑功能网络研究等多个领域发挥重要作用。
