《Epileptic Disorders》：Unsupervised clustering of electroclinical features in temporal lobe epilepsy: A data-driven approach
编辑推荐：
目的：旨在利用数据驱动的无监督学习方法，识别局灶性癫痫发作期电临床特征中具有临床意义的模式，并评估此类模式在定位和侧化致痫区（EZ）方面是否比传统的电临床解释更为准确。方法：对 116 名随后接受了切除手术的难治性局灶性癫痫患者，采用标准化计算机辅助脑电图报告
目的：旨在利用数据驱动的无监督学习方法，识别局灶性癫痫发作期电临床特征中具有临床意义的模式，并评估此类模式在定位和侧化致痫区（EZ）方面是否比传统的电临床解释更为准确。方法：对 116 名随后接受了切除手术的难治性局灶性癫痫患者，采用标准化计算机辅助脑电图报告（SCORE）系统系统地提取了发作期头皮脑电图（EEG）和癫痫发作症状学特征。分别使用 k-均值（k-means）聚类和凝聚层次聚类对脑电图特征和症状学特征进行无监督聚类分析。通过轮廓分数（silhouette score）、簇内平方和（WSS）、簇间平方和（BSS）、簇间与簇内方差比（BSS/WSS）、聚类解释的方差比例（BSS/TSS）以及 Calinski–Harabasz 指数来评估聚类质量。评估了所得聚类在定位和侧化颞叶致痫区方面的能力，并将其与反映当前临床实践的传统方法进行比较，传统方法基于已发表的侧化体征、定位至颞叶的症状学以及头皮脑电图发作起始的定位。结果：无监督聚类在脑电图数据中显示出较强的结构性，在症状学数据中显示出中等的结构性。脑电图特征的 k-均值聚类产生的轮廓分数为 0.63，而症状学特征的层次聚类产生的轮廓分数为 0.54。基于症状学的聚类在定位和侧化方面表现出显著的重叠。基于脑电图的聚类以 65.3%（95% 置信区间 [CI]：55.0%–74.6%）的准确率对颞叶致痫区进行了定位和侧化。这一表现与使用头皮脑电图发作起始的传统电临床解释（68.1%，95% CI：57.5%–77.5%）相当。基于癫痫发作症状学的解释达到了 71.3%（95% CI：61.0–80.1%）的准确率。意义：发作期电临床特征的无监督聚类在定位或侧化致痫区方面并未优于传统的专家解释。这些发现表明，局限性可能固有地存在于头皮脑电图和症状学所捕捉到的可观察发作现象中。未来的研究应侧重于识别新的或补充性的生物标志物，以提高癫痫手术评估的精确度。
颞叶癫痫是导致药物难治性癫痫的主要原因之一，癫痫手术虽然是部分患者的有效治疗手段，但致痫区（EZ）的精确定位仍面临巨大挑战。目前的术前评估主要依赖长程视频脑电图监测（LTM），然而海量的电临床数据、发作表现的变异性、特征提取的主观差异以及非结构化报告的不一致性，给临床解读带来了困难。尽管标准化计算机辅助脑电图报告（SCORE）系统提供了结构化的数据元素，人工智能（AI）也在癫痫领域得到应用，但大多数研究集中于监督学习，利用数据驱动的无监督技术来识别患者亚群的研究相对匮乏，尤其是结合标准化症状学和脑电图特征的聚类分析尚属空白。为了克服以往假设驱动方法可能存在的先验知识偏差，研究人员开展了一项回顾性研究，旨在通过无监督机器学习方法，挖掘发作期脑电图和症状学中的潜在模式，评估其在区分颞叶与颞叶外病灶以及侧化颞叶病灶方面是否优于传统临床解释。该研究发表于《Epileptic Disorders》。
研究人员选取了 2006 年至 2019 年间在丹麦癫痫中心接受长程视频脑电图监测并随后进行切除手术的 116 名药物难治性局灶性癫痫患者作为队列。研究利用 SCORE-EEG 软件系统提取了发作期头皮脑电图模式（包括起始模式及早期传播模式）和详细的发作症状学序列。在数据处理上，研究人员将文本描述转化为数值特征：对于脑电图和症状学描述，采用词频 - 逆文档频率（TF–IDF）向量化技术处理文本，并去除停用词；随后分别采用主成分分析（PCA）和均匀流形近似与投影（UMAP）进行降维处理。在此基础上，应用了多种无监督聚类算法，包括 k-均值（k-means）聚类和凝聚层次聚类，并通过轮廓分数、Calinski–Harabasz 指数等多种内部有效性指标评估聚类质量，最终将聚类结果与手术切除区域及术后 Engel 分级结果进行对照分析。
研究结果显示，脑电图特征的无监督聚类呈现出较强的结构性。K-均值聚类将脑电图特征划分为三个主要簇：EEG-1 簇主要对应颞叶外（特别是额叶和中央区）的发作起始，缺乏明确的侧化性；EEG-2 簇主要对应左侧颞叶的最大电压活动；EEG-3 簇则主要对应右侧颞叶的最大电压活动。统计分析表明，这三个簇在手术切除侧别和区域上存在显著差异，其中 EEG-2 和 EEG-3 簇 predominantly 包含颞叶切除病例。然而，在预测手术结果（Engel I 级）方面，各簇间无显著差异。相比之下，症状学特征的聚类效果较弱，层次聚类虽识别出三个主要簇，但簇间存在大量重叠，尤其是 SEM-1 簇主要由伴有“figure-of-four"征的双侧强直 - 阵挛发作组成，具有特定的侧化价值，但整体上半症状学聚类难以有效区分致痫区的具体位置。在准确性对比中，基于脑电图聚类的定位和侧化准确率为 65.3%，与传统专家根据发作起始判读的准确率（68.1%）相当，无统计学显著差异；而基于症状学的传统专家解读准确率（71.3%）略高于症状学聚类分析。
讨论部分指出，无监督聚类方法虽然能够发现数据中潜在的结构性分组，证实了脑电图聚类具有一定的临床解剖学意义（如区分左右颞叶及颞叶外），但在提升致痫区定位和侧化的准确性方面并未超越传统的专家经验解读。这一结果表明，目前的局限性可能源于头皮脑电图和临床症状学本身固有的缺陷，例如发作活动的快速传播、深部病灶信号的容积传导效应以及部分致痫网络在头皮电极上的不可见性。研究强调，单纯依靠现有的发作期电临床特征进行数据驱动分析难以突破现有诊断精度的瓶颈，未来的研究方向应致力于寻找新型或互补的生物标志物，以提高癫痫手术评估的精确度。此外，研究也指出了样本量、患者内多类型发作的相关性以及 TF–IDF 方法无法保留时间序列信息等局限性。
