基于无监督注意力对比变分自编码器利用微电极记录定位背外侧相关STN区域以优化帕金森病深部脑刺激电极植入

《Neuroscience Informatics》：Unsupervised Electrophysiological Localization of Dorsolateral-Associated STN Activity Using an Attention-Based Contrastive VAE for Optimal Deep Brain Stimulation Electrode Placement in Parkinson’s Disease

　　

针对帕金森病（Parkinson's disease, PD）的深部脑刺激（Deep Brain Stimulation, DBS）治疗中，丘脑底核（Subthalamic Nucleus, STN）内背外侧感觉运动区的精准靶点是改善运动症状的关键。由于患者间差异及缺乏稳定解剖标志，术中定位该区域仍具挑战。研究人员提出一种无监督的基于注意力的对比变分自编码器（Attention-based Contrastive Variational Autoencoder, ACVAE），利用各患者不同深度的微电极记录（Microelectrode Recording, MER）数据，计算β频段功率谱密度（Power Spectral Density, PSD）与谱图，通过双编码器分别学习深度特异局部模式与患者级全局上下文，并借由注意力层增强对信息片段的敏感性和表征能力。该模型在无须临床结局标签下，以重建损失、KL散度与对比损失优化，并用尖峰率、β带功率等传统电生理特征作为参照验证。结果显示，ACVAE平均准确率为90%、F1分数为0.92；留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）准确率为88%、F1为0.89。研究表明，该方法可提供数据驱动、患者个体的STN背外侧相关区域定位，辅助术中决策并提升DBS疗效。

研究背景方面，帕金森病（Parkinson's disease, PD）是一种以震颤、强直、运动迟缓和姿势不稳为表现的渐进性神经退行性疾病。深部脑刺激（Deep Brain Stimulation, DBS）作用于丘脑底核（Subthalamic Nucleus, STN）可显著改善晚期患者运动功能，其疗效高度依赖电极置于STN背外侧感觉运动区。传统流程结合术前磁共振成像（Magnetic Resonance Imaging, MRI）与术中微电极记录（Microelectrode Recording, MER）来辨识核团边界，但MER判读依赖术者经验、主观性强，且患者间解剖与电生理差异大、缺乏一致地标，导致靶点偏移与疗效波动。既有方法多依赖影像或手工频谱特征，难以刻画原始神经信号中的复杂非线性动力学。因此，研究人员拟构建无监督深度学习框架，从多深度MER中自主发现背外侧相关STN区域，而无需背外侧标签或术后临床结局标签。

本研究由La Fe Hospital、University of Valencia团队开展，论文发表于《Neuroscience Informatics》。研究人员提出无监督注意力对比变分自编码器（Attention-based Contrastive Variational Autoencoder, ACVAE），以β带功率谱密度（Power Spectral Density, PSD）与短时傅里叶谱图为输入，用全局编码器捕获患者级上下文、局部编码器捕获深度级细微变化，注意力机制突出信息片段，对比损失使背外侧相关表征聚拢。结论是：该模型平均准确率90%、F₁ 0.92，LOOCV准确率88%、F₁ 0.89，可在无标签条件下实现个体化STN背外侧相关区域定位，对术中电极植入策略具有临床转化意义。

关键技术方法上，样本来自西班牙Valencia大学La Fe Hospital的特发性PD患者，共14例、830段MER，采样12 kHz，按0.2 mm进针并取第二通道；每段以1秒、50%重叠分窗。特征端用Welch法估PSD、短时傅里叶变换（Short-Time Fourier Transform, STFT）算谱图，并提取尖峰率、β带功率、线长度等时域/频域特征；建模端采用双编码器变分自编码器，潜变量z与s各16维拼为32维联合表征，解码重建PSD/谱图，总损失为重建损失+β·KL散度+λ·对比损失，按患者级划分训练/测试并执行留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）。

研究结果如下。3.1 β带功率谱估计：研究人员按深度做Welch PSD与谱图，经Shapiro?Wilk、单因素ANOVA与Kruskal–Wallis检验，发现β功率随深度显著变化（ANOVA F(8,152)=4.92, p<0.00003；Kruskal–Wallis H=27.38, p<0.0011），证明β带是深度敏感生物标记。3.2 尖峰、时域与频谱特征相关性分析：用尖峰率、β功率、低/高β、β?θ比、线长度、均方根（Root Mean Square, RMS）等七项做ANOVA、Kruskal–Wallis与Tukey HSD，各特征跨深度差异均显著（p<0.05），说明这些特征可区分背外侧段，且14例患者深度区间一致。3.3 用ACVAE预测背外侧区域：以传统特征标定参考段，患者级分割防泄漏；ACVAE得准确率90%、精确率0.91、召回率0.93、F₁ 0.92，LOOCV为88%/0.89/0.88/0.89；图面显示预测深度面与手工标注空间重叠约90%。3.4 与基线模型比较：Vanilla CNN 74%、ResNet 77%、DenseNet 78%、GCN 80%、GAT 82%、CVAE 84%，ACVAE以90%最高；相对CVAE提升6个百分点，证明双编码器、注意力与对比目标在深度依赖MER建模中更有效。

讨论部分总结：研究人员指出，背外侧STN富β振荡与高尖峰活动，传统手工特征虽可标出该区但受主观与个体变异影响；ACVAE借无监督潜在表征学到跨患者一致的背外侧相关电生理签名，且不需结局标签。与CVAE比，全局/局部双分支加注意力与对比损失令潜空间更具判别性。该方法可嵌进DBS流程，辅助轨迹校正与触点选择，推动电生理驱动的个体化手术。

研究结论部分翻译：在本研究中，研究人员假设无监督注意力对比变分自编码器（ACVAE）可从跨记录深度的电生理模式中辨识STN内背外侧亚区，该区是文献中DBS电极植入的相关靶点。与传统依赖预设解剖图或术中反馈不同，本模型用β带功率谱密度（PSD）与谱图学习STN内不同深度的神经活动表征。研究人员先用尖峰率、β带功率、低β、高β、β?θ比、线长度与均方根等时域/频域特征手工辨识背外侧区，统计检验证其实属不同电生理段（p<0.05）。继而用ACVAE做无监督定位：双编码器分别抓局部深度模式与患者级全局上下文，注意力层突出信息片段，对比损失聚拢相关表征。结果表明，ACVAE平均准确率90%、F₁ 0.92，LOOCV准确率88%、F₁ 0.89，九例患者达100%准确率。结论为：ACVAE在无须标签下可稳健泛化至未见患者，提供数据驱动、患者个体的背外侧相关STN定位，有望优化DBS电极放置、术中决策与运动结局，并为电生理?深度学习融合的精准神经外科提供可落地路径。