基于回归与机器学习分析脑肿瘤患者术前术中运动皮层兴奋性相关性及其临床意义

《Clinical Neurophysiology》：Correlation of preoperative and intraoperative motor cortex excitability in brain tumor patients using regressions and machine learning

本研究针对运动功能区脑肿瘤患者术前nTMS-RMT与术中IONM-MT相关性不明确的问题，通过回归分析和随机森林机器学习算法，发现肿瘤侧半球兴奋性显著降低（nTMS-RMTratio=112%，IONM-MTratio=152%），且两者呈正相关（R2=0.198）。研究证实中央前回肿瘤对兴奋性影响最显著，为术中刺激参数优化提供了重要依据，可降低假阴性映射风险。

　　

当神经外科医生面对紧邻运动功能区的脑肿瘤时，就如同在雷区中寻找安全路径——既要最大限度切除肿瘤，又必须保护掌管人体运动功能的关键神经通路。这种平衡术直接关系到患者术后的生活质量，成为神经肿瘤领域最棘手的挑战之一。传统影像学技术虽然能显示大脑解剖结构，却无法准确评估肿瘤对神经功能的影响程度。更令人困扰的是，脑肿瘤会通过占位效应和诱导神经可塑性改变，导致运动皮层功能重组，使得术前功能评估与术中实际情况可能出现偏差。

近年来，导航经颅磁刺激(navigated Transcranial Magnetic Stimulation, nTMS)和术中神经生理监测(Intraoperative Neurophysiological Monitoring, IONM)两项技术为这一难题带来了曙光。nTMS能在术前无创地评估运动皮层兴奋性，而IONM则能在手术过程中实时监测运动通路完整性。然而，这两项技术测得的数据之间是否存在内在联系？肿瘤特征如何影响这种关系？这些问题一直缺乏系统研究。

发表在《Clinical Neurophysiology》上的这项研究，由伯尔尼大学医院的Hanna Lenggenhager团队领衔，首次系统探讨了运动功能区脑肿瘤患者术前nTMS静息运动阈值(Resting Motor Threshold, RMT)与术中IONM运动阈值(Motor Threshold, MT)的相关性。研究团队创新性地结合了传统统计分析和机器学习算法，试图揭示肿瘤对运动皮层兴奋性的影响规律，为优化手术策略提供科学依据。

研究团队回顾性分析了2018年4月至2021年3月期间65例运动功能区幕上肿瘤患者的临床资料。所有患者均接受了术前nTMS检查和术中IONM监测。研究人员定义了阈值比率作为皮层兴奋性的替代指标：nTMS-RMT_ratio = (肿瘤侧nTMS-RMT/健康侧nTMS-RMT)×100，IONM-MT_ratio的计算方法类似。此外，研究还采用了随机森林(Random Forest)机器学习算法，基于运动诱发电位(Motor Evoked Potential, MEP)的特征数据区分肿瘤侧与健康侧信号。

3.1 皮层兴奋性

3.1.1 IONM与nTMS阈值及比率的相关性

数据分析显示，肿瘤侧nTMS-RMT(平均38.94%)显著高于健康侧(平均35.75%)，nTMS-RMT_ratio平均值为112%，显著高于100%(p=0.004)。术中数据同样表明肿瘤侧兴奋性降低，IONM-MT_ratio平均值高达152%(p<0.001)。最重要的是，nTMS-RMT_ratio与IONM-MT_ratio之间存在显著正相关关系(R²=0.198, p<0.001)，表明术前评估能一定程度上预测术中情况。

3.1.2 肿瘤特性对比率的影响

肿瘤位置对兴奋性影响显著。位于中央前回的肿瘤表现出最高的nTMS-RMT_ratio(123%)和IONM-MT_ratio(158%)，而皮质脊髓束附近的肿瘤则呈现不同的兴奋性模式。术前水肿也是一个重要影响因素，当水肿累及中央前回时，患者表现出更明显的兴奋性降低。不同病理类型的肿瘤对兴奋性的影响程度各异，其中转移瘤和胶质母细胞瘤的影响最为显著。

3.1.3 阈值和比率的线性回归

线性回归分析进一步证实，年龄、肿瘤位置和术前运动评分是nTMS-RMT的显著预测因素。而对于IONM-MT，健康侧/肿瘤侧和nTMS-RMT是最重要的预测指标。在比率分析中，术前运动评分与nTMS-RMT_ratio呈负相关关系，而nTMS-RMT_ratio则正向预测IONM-MT_ratio。

3.2 运动功能结局

术后运动功能主要受肿瘤位置和术前运动评分影响，而与nTMS或IONM的阈值比率无显著相关性。位于皮质脊髓束附近的肿瘤术后运动功能结局最差，而中央后回、背侧运动前区和辅助运动区的肿瘤预后相对较好。

3.3 基于机器学习的MEP侧别分类

随机森林算法在区分肿瘤侧与健康侧MEP信号方面表现出色，nTMS数据分类准确率达92.7%，IONM数据达90.0%。特征重要性分析显示，刺激强度和(静息)运动阈值是模型决策的最重要特征，这与临床观察一致。

研究结论表明，运动功能区肿瘤会导致皮层兴奋性降低，表现为术前nTMS和术中IONM均需要更高的刺激强度才能诱发运动反应。这种兴奋性改变在中央前回肿瘤中最为明显，且术前nTMS评估能有效预测术中刺激参数需求。虽然阈值比率与术后运动功能结局无直接关联，但肿瘤位置和术前神经功能状态是影响预后的关键因素。

机器学习算法的成功应用证实了MEP信号中蕴含着区分肿瘤影响的特征信息，为未来开发更精细的神经功能评估工具奠定了基础。从临床实践角度，这项研究的最大意义在于为个体化手术方案的制定提供了量化依据。通过术前nTMS评估，外科团队可以更准确地预测术中所需的刺激强度，避免因刺激不足导致的假阴性映射结果，从而提高手术安全性，缩短手术时间，降低术中癫痫发作风险。

值得注意的是，nTMS和IONM虽然都通过MEP评估运动系统功能，但其作用机制存在本质差异：nTMS主要通过I波间接激活皮质脊髓束，评估包括初级和次级运动系统的整体功能；而IONM中的经颅电刺激主要通过D波直接激活初级运动区。这种机制差异使得两种技术测得的数据能够互补，共同构建更完整的运动功能图谱。

未来的研究方向应包括扩大样本规模，特别是针对不同病理类型和位置的肿瘤进行亚组分析，同时结合更精细的影像学指标（如水肿体积定量测量）来进一步完善兴奋性评估模型。此外，前瞻性研究设计将有助于验证当前发现临床转化价值，最终实现真正意义上的精准神经外科手术。