基于脑MRI体积分析结果的癫痫检测新方法

《Biomimetics》：Epilepsy Detected Using a New Method Based on Volumetric Analysis Results from Brain MR Images

　　

癫痫是一种具有挑战性的脑部疾病，其诊断需要显著的临床发现。研究背景：本研究旨在通过优化从脑MRI图像获得的高维数据集，利用新开发的方法提高癫痫检测成功率。标准机器学习模型在高维数据集上难以达到预期成功。为此，研究人员旨在结合k近邻(kNN)分类器的局部分类能力与阴性选择算法(NSA)的异常检测优势，开发一种优化的混合模型。方法：分析皮质及皮质下脑区以检查体积差异，通过识别对癫痫具有统计学显著性的区域建立数据集，并利用散布搜索蛇优化(Scatter Search Snake Optimization, SSSO)算法对该数据集进行优化，比较六种不同机器学习模型在该优化数据集上的性能。结果：标准流行模型SVM(82.70%)、kNN(78.70%)、RF(69.30%)、MLP(73.30%)及NSA(95.89%)显示出一定检测成功率，而所提混合模型kNN-NSA达到98.65%。结论：这种考虑高维数据集中局部密度并容忍自数据(self-data)内离群值的优化混合kNN-NSA方法优于传统方法；此外，研究证实WM-hypointensities、ventral DC及choroid plexus等文献未报道区域的体积差异因具有显著性，可能参与癫痫诊断决策过程。

研究背景与立项依据

癫痫影响全球约1%人群，其中半数无明确病因，诊断依赖临床观察、脑电图(EEG)与磁共振成像(MRI)。EEG单独不足以确诊，而MRI虽能发现结构性异常，但人工读片存在观察者间不一致、耗时与人力瓶颈。既往基于MRI体积（磁共振体积测量MRV、基于体素形态学VBM）的研究多聚焦海马，对全脑皮质/皮质下体积差异的系统建模不足；同时标准机器学习在高维脑体积特征上受“维度灾难”困扰，距离度量失效。人工免疫系统衍生的阴性选择算法(NSA)擅长异常检测但高维下检测器覆盖存在“空洞”，k近邻(kNN)具局部密度敏感性却非全局最优。因此研究人员在《Biomimetics》报道该项工作，拟通过统计筛选+元启发式特征选择+NSA-kNN混合架构，提升MRI体积特征对癫痫的鉴别力。

主要关键技术方法

研究人员回顾性纳入土耳其Aksaray大学培训与研究医院MRI室经伦理审批的121名健康者与75名颞叶癫痫患者1.5T T1加权DICOM影像，经FreeSurfer提取50个皮质/皮质下脑区体积；以Mann–Whitney U检验(p<0.05)筛得35个显著区域(MWU35)，再用散布搜索蛇优化(SSSO)压缩至13维(SSSO13)；以10折交叉验证比对SVM、kNN、随机森林(RF)、多层感知机(MLP)、NSA及混合kNN-NSA，NSA检测器生成采用Euclidean距离亲和度函数，kNN负责填补NSA“自空间空洞”的局部校验。

研究结果

1. 2.
   Materials and Methods：给出数据获取（UCI公开库+自建EpilepsyMRI）、预处理、FreeSurfer特征提取、MWU统计过滤、SSSO子集选择、六模型定义及kNN-NSA两阶段（训练期检测器成熟+测试期NSA初筛后接kNN密度阈值决断）全流程。
2. 3.
   Results：3.1实验环境为2.8GHz/20GB/Win11+Ubuntu，FreeSurfer+SPSS22+Matlab2024+Python3.0；3.3由75例癫痫+121对照提取50区体积极成原始集；3.4 MWU检验标红35区(p<0.05)成MWU35；3.5 SSSO将35维降至13维(SSSO13)，SSSO在精度(95.51%)、F1(90.36%)接近PRO/MRFO最优；3.6给出各模型参数；3.7表8显示MWU35上NSA检测95.59%、分类93.37%，SSSO13上NSA检测95.89%、分类95.92%，混合kNN-NSA在SSSO13达检测98.65%、准确率98.45%，显著高于SVM(82.70%)、kNN(78.70%)、RF(69.30%)、MLP(73.30%)。

讨论与结论翻译

讨论指出MRI体积分析可量化为癫痫决策支持，MWU35→SSSO13降维后所有模型提升，混合kNN-NSA在外验证表现优；WM-hypointensities、ventral DC、choroid plexus等非经典区域体积差异显著，应纳入未来分割研究。结论部分译文：癫痫诊断需观察发作、EEG、MRI及必要血液检查；MRI敏感性取决于病灶病理与阅片经验，人工分析需计算法减负。脑体积/表面积对多种神经疾病关键，形态学法可从2D截面估3D量。NSA在患者检测系统有效性获证实，但候选检测器随自集增大呈指数耗时，故提出基于阴性选择理论的新框架。NSA模拟T细胞负选，随机检测器不匹配自集则留监新数据，强于异常检测但高维有覆盖空洞。本研究分类率超越Sahebzamani等94%，证实选中区域集可有效检测分类癫痫，优化混合kNN-NSA对此问题具高检测力；WM-hypointensities、ventral DC、choroid plexus等未见于文献的区域或参与诊断，建议后续分割验证。脑体积分类文献稀少，本研究补此空白。