《Bioengineering》：Machine Learning Integrating SERF-MEG and VEP for Diagnosis and Differential Diagnosis of Optic Neuropathies
编辑推荐：
视觉诱发电位（VEP）广泛用于评估视神经功能，但其区分视神经病变的能力仍然有限。本研究探讨了自旋交换弛豫自由磁脑磁图（SERF-MEG）单独及联合VEP在机器学习框架下的诊断价值。共纳入142只眼，包括71只健康对照（HC）眼、34只视神经炎（ON）眼和37只
视觉诱发电位（VEP）广泛用于评估视神经功能，但其区分视神经病变的能力仍然有限。本研究探讨了自旋交换弛豫自由磁脑磁图（SERF-MEG）单独及联合VEP在机器学习框架下的诊断价值。共纳入142只眼，包括71只健康对照（HC）眼、34只视神经炎（ON）眼和37只缺血性视神经病变（ION）眼。研究人员从VEP、SERF-MEG及其组合构建了三类特征集。采用重复分层5折嵌套交叉验证评估九种有监督机器学习算法，并使用SHAP分析评估模型可解释性。多层感知机模型获得0.792的AUC和0.470的MCC，而VEP–MEG组合模型在区分HC与视神经病变中表现最佳。在区分ON与ION时，MEG模型优于VEP和组合模型，逻辑回归获得最大AUC为0.847。SHAP分析显示皮质网络测量值与视觉诱发响应特性对模型预测贡献最大。这些结果表明，SERF-MEG可通过提供超越传统VEP的 supplementary neurophysiological data，提升视神经病变的诊断与鉴别诊断能力。
研究背景与问题提出
视神经病变是获得性视力损害的主要原因之一，其中视神经炎（ON，optic neuritis）与缺血性视神经病变（ION，ischemic optic neuropathy）是临床最常见两类，二者在病程早期常因视力下降、视野异常、色觉障碍及相对性传入性瞳孔缺陷等症状重叠而难以区分。传统视觉诱发电位（VEP，visual evoked potential）主要反映视觉通路整体传导状态，ON的炎性脱髓鞘常致P100潜伏期延长，ION的缺血性轴突损伤常致P100波幅降低，但随疾病进展脱髓鞘与轴突变性常共存，使潜伏期延长与波幅降低在两病中重叠，VEP单独诊断性能受限。近年神经影像与神经生理学研究提示视觉功能障碍伴皮质活动与功能网络改变，而磁脑磁图（MEG，magnetoencephalography）尤以自旋交换弛豫自由（SERF）光泵磁力计为代表的新一代传感器，具备毫秒级时间精度与较高空间定位能力，可补充VEP未捕获的皮质振荡、功能连接与图论网络特征。研究人员据此开展本研究，旨在评估SERF-MEG单独及联合VEP在ON与ION诊断与鉴别诊断中的价值，论文发表于《Bioengineering》。
主要关键技术方法
研究人员采用前瞻性观察设计，单中心纳入142名受试者各一只眼（71 HC、34 ON、37 ION），诊断依据国际神经眼科标准。VEP使用Roland RETI-Port/Scan 21系统行图形翻转刺激，提取60′与15′棋盘格下N75、P100、N135潜伏期及P100峰峰值共8特征。SERF-MEG使用杭州零磁医学LMEG-64A系统（64通道SERF-OPM，灵敏度优于15 fT/√Hz@1–30 Hz），同范式采集150试次/眼，经50 Hz陷波、1–40 Hz带通、ICA去伪迹后分段?100~400 ms并基线校正；从中提取时域（M100/M135振幅潜伏期等8特征）、频域（α/β相对功率、功率标准差、时频功率共6特征）、功能连接（Pearson相关、α/β加权相位滞后指数wPLI共3特征）、图论（全局效率、局部效率、聚类系数、平均度共4特征）多维特征。构建VEP、MEG、VEP–MEG组合三特征集，两类二分类任务（HC vs ON+ION；ON vs ION）。采用重复分层5折嵌套交叉验证（5重复共25划分），训练折叠内行Z-score标准化、SMOTE平衡、RF+L1混合特征选择，网格搜索调参9种算法（Logistic Regression、SVM-RBF、Random Forest、Gradient Boosting、Extra Trees、AdaBoost、MLP、XGBoost、LightGBM），以AUC、Accuracy、MCC等评估，SHAP解释。
研究结果
3.1 临床人群特征
142眼三组年龄、性别、视力等基线见表，组间具可比性。
3.2 HC与视神经病变分类
三特征集中组合集数值最优：MLP获Accuracy 0.732±0.066、AUC 0.792±0.069、MCC 0.470±0.133；VEP集Extra Trees AUC 0.779，MEG集Logistic Regression AUC 0.733。配对bootstrap显示VEP–MEG较MEG显著提升（ΔAUC=0.058, p=0.004），较VEP提升不显著（p=0.302）。结论：VEP已含较多病变识别信息，SERF-MEG提供互补皮质功能信息，多模态数值更优但未达统计显著超越VEP。
3.3 ON与ION鉴别诊断
VEP集XGBoost最佳AUC仅0.631；MEG集Logistic Regression获Accuracy 0.823±0.077、AUC 0.847±0.099、MCC 0.663±0.157，显著优于VEP（ΔAUC=0.221, p<0.001）；组合集Logistic Regression AUC 0.819，未超越MEG单模（ΔAUC=?0.042, p=0.006）。结论：SERF-MEG特征在ON/ION鉴别中捕捉到VEP不能充分表征的皮质网络差异，VEP加入无额外增益。
3.4 SHAP特征重要性
HC vs病变任务中VEP以15′P100振幅最重，MEG以全局效率（Global Efficiency）、平均度（Mean Degree）、最大M100振幅、平均M135振幅、β功率标准差为主；组合模型两者并存。ON vs ION任务中VEP仅P100潜伏期低贡献，MEG仍以Global Efficiency、Mean Degree、Max M100振幅、α时频功率、Alpha wPLI主导。结论：图论网络指标与视觉诱发磁响应是跨任务核心预测因子，皮质网络重组信息对鉴别尤为重要。
讨论与结论翻译
讨论指出三要点：其一，VEP–MEG组合在HCvs病变检测中数值最优但较VEP提升不显著，说明VEP已捕获通路传导主体信息，SERF-MEG补充皮质振荡/连接/网络维度；其二，MEG在ONvsION鉴别中AUC 0.847远超VEP，因ON炎性脱髓鞘与ION缺血轴突丢失虽均致传导受损，但皮质可塑性与传入保留模式不同，M100振幅、全局效率、平均度、α-wPLI反映大规模视觉网络整合差异；其三，组合未优于MEG单模可能因MEG已涵盖判别信息或样本小致冗余特征无益，Logistic Regression胜出或暗示线性边界足够且复杂模型受小样本方差拖累。作者承认单中心、单设备、142眼（亚组71/34/37）、无外部验证、未融OCT/视野等为局限。
结论部分译文：总体而言，本研究阐明了将SERF-MEG整合入机器学习模型用于视神经病变诊断的可行性。SERF-MEG提供了超越标准VEP的互补神经生理学信息，并增强了异因视神经病变的区分能力。尽管这些发现需在更大多中心队列中验证，本工作为SERF-MEG未来作为神经眼科疾病诊断与鉴别诊断的补充性神经生理工具之临床转化提供了初步支持。
