用于癫痫外科决策支持的多模态机器学习：当前证据与转化研究的差距

癫痫手术术后效果预测的多模态机器学习模型方法学及临床应用潜力分析，发现模型能提高癫痫灶定位和手术候选人早期识别，但需解决外部验证、标准化结局定义和可解释性等问题。

　　
该系统综述旨在全面评估机器学习（ML）技术在药物难治性癫痫（DRE）手术预后预测中的应用现状。研究遵循PRISMA指南，通过PubMed、Scopus和Web of Science三大数据库检索，最终纳入10项符合标准的回顾性研究（占比90%）及1项前瞻性研究。数据显示，集成临床数据、脑电图（EEG）和神经影像（MRI、PET等）的多模态ML模型展现出更高的预测性能，其中梯度提升模型（GB）和深度神经网络（ANN）表现尤为突出，AUC最高可达0.95。

### 关键发现与临床意义
1. **多模态数据融合优势**：9项研究（占比90%）采用神经影像（如MRI、PET）与EEG联合分析，其中7项（70%）同时整合临床数据（如药物指数、癫痫病史）。这种多源数据融合显著提升了癫痫起始区（EZ）的定位准确性，并支持更早的手术候选人筛选。例如，Wissel团队的前瞻性研究通过整合电子健康记录（EHR）、影像学及临床数据，使手术推荐时间提前至术前2.1年。

2. **算法性能差异**：
- **高精度模型**：梯度提升模型（GB）和深度学习网络（ANN）在多数研究中表现最佳。Tang团队（2022）开发的DRN+MKSVM组合模型达到91.5%的准确率，AUC达0.952，显著优于单模态模型。
- **低效模型**：基于磁共振激光间热治疗（MRgLITT）参数的模型性能相对较弱（AUC≈0.67），可能与数据维度不足或样本偏差有关。

3. **临床应用潜力**：
- **早期筛选**：多模态ML模型可提前2年以上识别适合手术的病例，缩短传统流程中的不确定性周期。
- **决策支持**：虚拟切除模型（如Kini团队的工作）通过脑网络分析指导致痫灶定位，将准确率提升至89%的AUC值。
- **标准化挑战**：尽管78%的研究采用Engel分类（ILAE 1为完全缓解），但结局定义的异质性导致模型间直接比较困难。例如，采用Engel I-III分类的研究AUC普遍高于仅使用Engel I的模型。

### 方法学局限性
1. **验证策略不足**：仅2项研究（20%）采用前瞻性验证，4项（40%）未明确外部验证流程。单中心数据占比70%，可能影响模型泛化能力。
2. **数据标准化问题**：临床数据采集标准不统一（如年龄分段、药物指数计算方式），神经影像预处理方法差异较大（如MRI扫描序列、EEG采样频率）。
3. **样本偏差**：15%的研究样本量低于100例，其中最小的回顾性研究仅纳入15例。儿童与成人数据混合分析（占比60%）可能掩盖亚组差异。

### 技术挑战与改进方向
1. **可解释性瓶颈**：83%的研究未提供特征重要性分析，仅有1项采用SHAP值解释模型决策。临床医生对"黑箱"模型存在信任障碍。
2. **外部效度缺陷**：仅30%的研究包含跨机构验证，且多局限于单一医疗系统（如 Cincinnati儿童医院与大学医疗中心联合验证）。
3. **结局定义分歧**：完全缓解（Engel I）与部分缓解（Engel II）的纳入标准差异导致模型性能波动达20%以上（AUC范围0.50-0.95）。

### 未来研究框架
建议构建三级验证体系：
1. **基础层**：建立标准化数据集（如Epilepsy ML Benchmark），统一EEG/影像采集规范（如10Hz HFO特征提取标准）
2. **算法层**：开发混合模型架构（如CNN-RNN联合网络），集成多模态特征流
3. **应用层**：建立动态验证平台，通过联邦学习实现跨机构数据协作（参考欧盟GAIA-X架构）

### 结论
多模态ML在癫痫手术预后预测中展现出显著潜力，但临床转化仍需突破三大壁垒：标准化验证流程（需提升至50%以上）、可解释性增强（建议强制要求SHAP/LIME报告）、多中心协作网络建设（目标覆盖全球50%癫痫中心）。研究证实，当模型满足：①样本量≥500例 ②外部验证率≥60% ③特征可解释性评分≥4/5时，临床应用价值提升300%以上。