利用基于SEEG的兴奋-抑制动态及频谱特征定位难治性癫痫的致痫区：一项多中心回顾性研究

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Localizing the Epileptogenic Zone Using SEEG-Based Excitation-Inhibition Dynamics and Spectral Features in Drug-Resistant Epilepsy: A Multicenter Retrospective Study

　　

摘要：

药物难治性癫痫影响着全球数以百万计的患者，至今仍是治疗领域的重大挑战，其主要原因在于难以精准定位癫痫发作起始区。目前的电生理生物标志物在发作状态与非发作状态以及不同临床中心之间往往缺乏稳定性。此外，作为关键病理机制的神经元兴奋与抑制动态尚未被系统地研究以便用于临床应用。在这项多中心回顾性研究中，我们提出了一种基于计算方法的框架，利用立体脑电图获得的1/f频谱特征作为兴奋与抑制比值的替代指标，进而通过机器学习实现癫痫发作起始区的识别。我们分析了38名术后达到完全无发作状态（恩格尔分级I级）的药物难治性癫痫患者的122次发作对应的立体脑电图记录。群体分析显示，与非癫痫发作区相比，癫痫发作起始区在非发作状态和发作状态下的兴奋与抑制比值均更为负值（经FDR校正后p < 0.001），表明其兴奋与抑制动态存在显著失衡。在个体层面，84.2%（32/38）的患者在发作状态下，68.4%（26/38）的患者在非发作状态下表现出明显的癫痫发作起始区与非癫痫发作区的分离（经FDR校正后p < 0.05）。这种区分能力在不同手术方式及不同临床中心中均保持一致。通过将兴奋与抑制动态及多频段平均功率谱密度作为特征来训练11种机器学习模型（如SVM、随机森林），我们发现随机森林分类器在癫痫发作起始区定位方面的准确率为0.84（AUC = 0.90），显示出良好的泛化能力。该研究确立了兴奋与抑制动态这一可应用于临床的通用框架，有助于优化药物难治性癫痫的手术靶点选择。为提升研究的可重复性并便于社区验证，相关代码已公开发布在：https://github.com/wyl1994/ Source-code-and-dataset/tree/main。