《Frontiers in Neuroscience》：Machine learning-based lateralization and localization of seizure onset in focal cortical dysplasia patients using ictal scalp EEG
编辑推荐：
摘要
引言：本研究旨在开发并评估一个机器学习框架，用于利用发作期头皮脑电图（electroencephalography, EEG）对局灶性皮质发育不良（focal cortical dysplasia, FCD）患者进行癫痫发作起始区（seizure o
摘要
引言：本研究旨在开发并评估一个机器学习框架，用于利用发作期头皮脑电图（electroencephalography, EEG）对局灶性皮质发育不良（focal cortical dysplasia, FCD）患者进行癫痫发作起始区（seizure onset zone, SOZ）侧别化和定位分类。方法：研究人员回顾性分析了69例FCD患者的发作期头皮EEG记录，包括63例手术患者和6例非手术患者。EEG信号经共同平均参考预处理，分割为重叠的1秒窗口，并滤波至五个频带。提取形态学和连接性特征，并应用主成分分析（principal component analysis, PCA）进行降维。使用自动化机器学习选择侧别化和定位的最优分类器。模型性能通过51例手术患者的三折交叉验证、12例手术患者的内部验证以及6例非手术患者的外部验证进行评估。结果：在PCA之前，连接性特征普遍优于形态学特征。基于协方差的连接性在侧别化中达到最高受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）（0.781），而完整连接性特征集在定位中达到最高AUC（0.786）。PCA后，基于形态学的能量特征表现出改进，在发作后早期窗口实现侧别化AUC为0.811，定位AUC为0.829。讨论：这些发现表明，发作期头皮EEG结合机器学习可实现FCD患者准确且可解释的SOZ分类。所提出的框架可作为非侵入性决策支持工具，改善术前评估并指导FCD相关癫痫的侵入性EEG规划。
**论文解读**
**研究背景与存在问题**
局灶性皮质发育不良（focal cortical dysplasia, FCD）是药物难治性癫痫的常见病因之一，其病理特征为局部皮质发育畸形。手术切除是难治性FCD患者实现癫痫无发作的关键手段，而手术成功与否高度依赖于癫痫发作起始区（seizure onset zone, SOZ）的精确定位，包括半球侧别化（lateralization）和脑叶定位（localization）。传统术前评估依赖多模态方法，包括头皮脑电图（electroencephalography, EEG）、磁共振成像（MRI）、正电子发射断层扫描（PET）和单光子发射计算机断层扫描（SPECT），并常辅以颅内脑电图（intracranial EEG, iEEG）确认。然而，iEEG因侵入性而覆盖范围有限，且对EEG的视觉判读存在主观性强、耗时且依赖专家经验等局限。现有机器学习研究多基于发作间期EEG，利用间接生物标志物（如发作间期癫痫样放电、连接性改变）进行SOZ定位，但此类标志物反映的是更广泛的刺激区而非真实SOZ，空间特异性有限。相比之下，发作期EEG直接反映癫痫起始的电生理动态，能提供更特异的信息。尽管如此，现有方法在可解释性、患者级泛化能力及临床整合方面仍面临挑战，且多数模型依赖静态特征，忽略了发作期活动的动态演变。因此，研究人员提出一种基于发作期头皮EEG的机器学习框架，旨在为FCD患者提供准确、可解释的SOZ分类，以辅助术前评估。
**研究内容与结论**
研究人员回顾性分析了首尔国立大学医院（Seoul National University Hospital）2007年4月至2024年11月期间69例FCD患者的发作期头皮EEG数据，其中63例经手术病理确诊（手术组），6例基于典型MRI表现和临床共识诊断（非手术组）。研究将手术组分为51例开发队列和12例内部验证队列，并利用6例非手术患者进行外部验证。通过提取形态学特征（统计特征、Hjorth参数、能量特征）和连接性特征（基于皮尔逊相关和协方差矩阵），并应用主成分分析（principal component analysis, PCA）降维，结合自动化机器学习（AutoML）选择最优分类器，对SOZ的侧别化（左/右半球）和定位（颞叶/颞外叶）进行分类。主要结论包括：1）在PCA之前，连接性特征（尤其是协方差特征）在侧别化和定位中均优于形态学特征，表明电极间动态信息更具区分力；2）PCA显著提升了形态学特征的性能，尤其是能量特征，在发作后早期窗口（3–6秒）达到最佳AUC（侧别化0.811，定位0.829）；3）时间窗口分析显示，发作后5–6秒（早期传播阶段）为最信息窗口；4）图论分析显示，β频段（beta-band）连接性在侧别化中、θ频段（theta-band）连接性在定位中具有代表性，左半球和颞外叶发作呈现相对保留的网络组织；5）模型在内部和外部验证中保持稳健，且在MRI阴性FCD亚组中表现与MRI阳性组相当（侧别化AUC：0.889 vs. 0.799；定位AUC：0.792 vs. 0.800）。该研究发表于《Frontiers in Neuroscience》，表明发作期头皮EEG结合机器学习可作为非侵入性决策支持工具，有助于术前评估和侵入性EEG规划。
**关键技术方法**
研究人员采用的主要技术方法包括：1）EEG预处理：使用共同平均参考、傅里叶重采样至200 Hz、基线归一化（–10至–5秒）、分段为重叠1秒窗口（步长0.5秒，范围–5至+10秒），并采用四阶无限脉冲响应巴特沃斯带通滤波器提取δ（0.5–4 Hz）、θ（4–8 Hz）、α（8–13 Hz）、β（13–30 Hz）和γ（30–45 Hz）频段信号；2）特征提取：形态学特征（统计特征、Hjorth参数、能量特征）和连接性特征（电极对间皮尔逊相关和协方差矩阵的上三角元素）；3）降维：全局PCA（全通道水平）应用于训练集，保留解释主要方差的主成分；4）机器学习分类：使用AutoML搜索树基模型（梯度提升、随机森林、极端随机树）及传统分类器（支持向量机、k近邻、逻辑回归），通过三折分层分组交叉验证选择最优模型；5）图论分析：基于SHAP特征重要性选择代表性频带（侧别化用β频带，定位用θ频带），计算平均度中心性、平均聚类系数和全局效率；6）验证策略：三折交叉验证（51例开发队列）、内部验证（12例手术患者）和外部验证（6例非手术患者）。样本队列来源于首尔国立大学医院。
**研究结果**
- **PCA前的模型性能**：连接性特征普遍优于形态学特征。侧别化中，协方差连接性特征取得最高AUC（0.781）；定位中，完整连接性特征集（相关+协方差）取得最高AUC（0.786）。
- **时间分辨AUC分析（PCA前）**：在发作后5.0–6.0秒窗口，侧别化在开发队列中达到峰值AUC 0.874，内部验证0.781，外部验证0.750；定位相应为0.915、0.786和0.778。发作前窗口也表现出高于随机水平的性能。
- **图论分析**：β频带全局网络指标在侧别化中显示，左半球发作后网络指标相对保留或增强，右半球发作则显著下降；θ频带在定位中显示，颞外叶发作网络组织相对保留，颞叶发作则更明显降解。
- **PCA后的模型性能**：全通道水平PCA后，形态学能量特征表现最佳，侧别化AUC为0.811，定位AUC为0.829。时间窗口峰值出现在发作后4.5秒（侧别化）和3.0秒（定位）。
- **亚组分析**：基于MRI状态，PCA后模型在MRI阴性组与阳性组间AUC相近（侧别化：0.889 vs. 0.799；定位：0.792 vs. 0.800）。侧别化性能在颞叶亚组高于颞外叶亚组。
- **手术结局关联**：模型预测正确性与术后癫痫结局（Engel分级）的准确性、敏感性和特异性在PCA前后均表现良好（侧别化准确性：0.753±0.019；定位准确性：0.747±0.019）。
**讨论与结论**
讨论部分指出，本研究表明基于发作期头皮EEG的机器学习框架在FCD患者中可实现SOZ侧别化和定位的可行性与临床价值。与依赖发作间期生物标志物或专家评阅iEEG的传统方法相比，该框架通过整合专家标注的发作片段、时频分解和自动化模型选择，在内部和外部验证中均取得有前景的性能。核心发现是连接性特征（尤其是协方差矩阵）在降维前表现优异，有效捕捉了发作传播相关的大尺度网络变化；而PCA增强了形态学特征的区分力，揭示了在原始特征空间中不可线性分离的空间协调和频特异EEG模式。时间分辨分析表明，发作后3–6秒的早期传播窗口最具信息量，且发作前窗口也提供预测信息。模型在外部非手术队列中保持稳健，提示其临床适用性。在MRI阴性FCD亚组中，模型性能与MRI阳性组相当，表明该框架在无结构病灶定位时可能特别有用。然而，研究存在局限性，包括依赖专家标注可能引入变异、头皮EEG空间分辨率有限、样本量较小导致仅能分类颞叶/颞外叶、以及PCA可解释性不足。未来需前瞻性验证、多中心外部验证，并整合其他临床数据。研究结论部分翻译如下：总之，本研究提出了一种基于发作期头皮EEG的可解释数据驱动流程，用于SOZ的侧别化和定位。通过结合时频分析、稳健机器学习技术和临床专家输入，该框架为术前癫痫评估中的非侵入性决策支持提供了可行基础。
