编辑推荐：
癫痫（epilepsy）患者中耐药性癫痫（DRE）占比高，精准定位癫痫发作起始区（SOZ）对手术至关重要。研究人员利用 26 例患者的发作间期 iEEG 数据，结合功能连接（FC）与机器学习，发现 γ 波段 AEC 图特征预测 SOZ 效果优异，为癫痫诊疗提供新方向。
癫痫作为一种脑网络疾病，困扰着全球约 5000 万患者，其中约 30% 的患者会发展为耐药性癫痫（DRE）。对于这类患者，手术切除癫痫发作起始区（SOZ）是重要治疗手段，但精准定位 SOZ 面临诸多挑战。传统生物标志物如癫痫棘波、高频振荡（HFOs）等虽有一定价值，但单一指标的敏感性和特异性有限，且颅内脑电图（iEEG）的空间采样不足可能导致切除范围不准确，术后复发率较高。因此，寻找更有效的生物标志物和分析方法来优化癫痫网络定位迫在眉睫。
为解决这一难题，美国马凯特大学与威斯康星医学院联合 Department of Neurology 和 Department of Neurosurgery 的研究人员开展了相关研究。他们利用机器学习整合功能连接（FC）和传统生物标志物信息，旨在提高 SOZ 定位的准确性。研究成果发表在《Scientific Reports》上。
研究人员采用了以下关键技术方法：收集 26 例耐药性局灶性癫痫患者术前的发作间期 iEEG 数据，这些患者术后均达到 Engel Class 1A 无发作状态。通过自动检测算法提取癫痫棘波和 HFOs 特征，利用 Welch 法估算功率谱密度（PSD），并基于振幅包络相关（AEC）和相位锁定值（PLV）计算 8 个频率带的功能连接，进而衍生出 32 个图论指标（节点强度、特征向量中心性等）。使用支持向量机（SVM）进行分类模型训练，采用节点级和患者级交叉验证评估性能。
患者特征与数据概况
26 例患者（14 男 12 女），平均发作起始年龄 16.7 岁，手术时平均年龄 35.5 岁，随访 7.5 年。17 例存在 MRI 异常，19 例 SOZ 位于颞叶。数据包含 2176 个通道，其中 SOZ 通道 344 个，切除区（RZ）通道 622 个。
特征对比与分类性能
发作间期 SOZ 与非 SOZ 通道的棘波、HFOs 及 PSD 特征无显著差异，但 γ 波段（35-290Hz）AEC 衍生的节点强度和特征向量中心性在 SOZ 显著更高。高斯核 SVM 在节点级 4 折交叉验证中表现最佳，SOZ 预测 AUC 达 0.91。患者级交叉验证中，AUC 为 0.69（4 折）和 0.73（留一法），显示模型在跨患者泛化时性能下降，提示样本量限制。
功能连接的价值
AEC 衍生特征整体优于 PLV，γ 波段 AEC 特征在同等特征数量下优于棘波和 HFOs。例如，4 个 γ 波段 AEC 特征的 SOZ 预测 AUC 高于 4 个棘波 / HFOs 特征（节点级 0.72 vs 0.61，患者级 0.55 vs 0.48）。结合 PSD 和 AEC 特征可进一步提升性能，表明多模态特征整合的优势。
模型可靠性与临床潜力
假阳性分析显示，分类器误判的 SOZ 节点更多位于切除区（RZ）而非远处，提示模型输出可反映更广泛的致痫性网络。此外，FC 特征稳定性随样本时长增加而提升，30 分钟记录已足够捕捉可靠连接模式。
研究表明，基于发作间期 iEEG 的功能连接特征，尤其是 γ 波段 AEC 衍生的图论指标，可有效预测 SOZ，且机器学习在整合多模态生物标志物中具有显著优势。这一发现为耐药性癫痫的术前评估提供了新工具，有望减少对有创监测的依赖，优化手术方案。未来需扩大样本量，验证不同脑区的普适性，并探索与头皮 EEG、MEG 等无创技术的结合，以推动全脑致痫网络映射的临床转化。研究同时强调了可解释 AI（xAI）在特征选择中的应用潜力，为解析致痫性的神经机制奠定了基础。
