疼痛相关区域的振荡性边缘连接性有助于机器学习识别偏头痛

《The Journal of Headache and Pain》：Oscillatory edge connectivity in pain-related regions supports machine learning identification of migraine

　　

摘要

背景

目前用于偏头痛诊断和表型分析的客观且可解释的脑部特征仍然有限。以边缘为中心的连接性方法将区域间的连接视为主要分析单元，能够捕捉到传统基于节点的功能连接性方法可能无法检测到的高阶、频率分辨的协调模式。本研究探讨了通过静息态脑磁图（resting-state magnetoencephalography, EEG）获得的疼痛相关区域的振荡边缘连接性特征是否能够为偏头痛的神经病理学提供机制上的见解，并为未来偏头痛诊断的补充方法研究提供参考。

方法

本研究共纳入250名参与者，分为健康对照组（n = 72人）、慢性偏头痛患者（CM，n = 98人）和偶发性偏头痛患者（EM，n = 80人）。在预定义的疼痛相关区域（双侧岛叶、初级体感皮层、次级体感皮层、初级运动皮层和前扣带回皮层（ACC））对静息态306通道脑磁图活动进行了源分析。动态连接性通过振幅包络相关性进行估计，并采用对称正交化处理以减少信号泄漏。边缘中心的功能连接性是通过跨频率带的共波动时间序列计算得出的。使用五折嵌套交叉验证（80/20分割）训练了7种分类器，并通过Shapley值进一步解释模型预测结果，以识别边缘和频率带层面的候选神经生理特征。

结果

与健康对照组相比，两组偏头痛患者的焦虑和抑郁评分均显著升高（所有p < 0.001），其中慢性偏头痛组患者的头痛频率和偏头痛相关残疾程度高于偶发性偏头痛组。利用从静息态脑磁图获得的振荡边缘连接性特征，多种机器学习模型成功区分了偏头痛患者和健康对照组。在验证集和独立测试数据集中，有六种模型（特别是支持向量机、k最近邻算法和集成方法）达到了预定义的性能标准（准确率和加权F1分数≥0.75）。接收者操作特征曲线（receiver operating characteristic）分析显示良好的区分性能，验证集的曲线下面积值介于0.783至0.841之间，独立测试数据集的曲线下面积值介于0.808至0.854之间。Shapley分析一致表明，连接体感皮层、岛叶和运动皮层与前扣带回皮层的边缘在alpha至gamma频率带内的增强作用对偏头痛分类贡献最大。区域级贡献分析进一步显示，前扣带回皮层和初级体感皮层共同占据了特征重要性的60%以上。相比之下，在嵌套交叉验证框架下，机器学习模型无法可靠地区分慢性偏头痛和偶发性偏头痛患者，没有模型达到预定义的标准，这表明两种偏头痛表型之间存在显著重叠。

结论

将可解释的机器学习分类方法应用于从脑磁图获得的振荡边缘中心连接性特征，可以揭示疼痛相关区域内的异常协调模式。这些脑磁图特征可能为未来开发偏头痛诊断的补充工具提供依据。

临床试验编号

不适用。

背景

目前用于偏头痛诊断和表型分析的客观且可解释的脑部特征仍然有限。以边缘为中心的连接性方法将区域间的连接视为主要分析单元，能够捕捉到传统基于节点的功能连接性方法可能无法检测到的高阶、频率分辨的协调模式。本研究探讨了通过静息态脑磁图获得的疼痛相关区域的振荡边缘连接性特征是否能够为偏头痛的神经病理学提供机制上的见解，并为未来偏头痛诊断的补充方法研究提供参考。

方法

本研究共纳入250名参与者，分为健康对照组（n = 72人）、慢性偏头痛患者（CM，n = 98人）和偶发性偏头痛患者（EM，n = 80人）。在预定义的疼痛相关区域（双侧岛叶、初级体感皮层、次级体感皮层、初级运动皮层和前扣带回皮层（ACC）对静息态306通道脑磁图活动进行了源分析。动态连接性通过振幅包络相关性进行估计，并采用对称正交化处理以减少信号泄漏。边缘中心的功能连接性是通过跨频率带的共波动时间序列计算得出的。使用五折嵌套交叉验证（80/20分割）训练了7种分类器，并通过Shapley值进一步解释模型预测结果，以识别边缘和频率带层面的候选神经生理特征。

结果

与健康对照组相比，两组偏头痛患者的焦虑和抑郁评分均显著升高（所有p < 0.001），其中慢性偏头痛组患者的头痛频率和偏头痛相关残疾程度高于偶发性偏头痛组。利用从静息态脑磁图获得的振荡边缘连接性特征，多种机器学习模型成功区分了偏头痛患者和健康对照组。在验证集和独立测试数据集中，有六种模型（特别是支持向量机、k最近邻算法和集成方法）达到了预定义的性能标准（准确率和加权F1分数≥0.75）。接收者操作特征曲线（receiver operating characteristic）分析显示良好的区分性能，验证集的曲线下面积值介于0.783至0.841之间，独立测试数据集的曲线下面积值介于0.808至0.854之间。Shapley分析一致表明，连接体感皮层、岛叶和运动皮层与前扣带回皮层的边缘在alpha至gamma频率带内的增强作用对偏头痛分类贡献最大。区域级贡献分析进一步显示，前扣带回皮层和初级体感皮层共同占据了特征重要性的60%以上。相比之下，在嵌套交叉验证框架下，机器学习模型无法可靠地区分慢性偏头痛和偶发性偏头痛患者，没有模型达到预定义的标准，这表明两种偏头痛表型之间存在显著重叠。

结论

将可解释的机器学习分类方法应用于从脑磁图获得的振荡边缘中心连接性特征，可以揭示疼痛相关区域内的异常协调模式。这些脑磁图特征可能为未来开发偏头痛诊断的补充工具提供依据。

临床试验编号

不适用。