基于部分定向相干的有向图神经网络用于癫痫发作预测与致痫网络表征

《iScience》：Directed graph neural networks with partial directed coherence for seizure prediction and epileptogenic network characterization

　　

虽然使用无向连接（undirected connectivity）的脑电图（electroencephalography, EEG）分析在癫痫发作预测和致痫区（epileptogenic zone, EZ）网络表征方面已日臻成熟，但有向连接（directed connectivity）在图神经网络（graph neural networks, GNNs）中的补充价值仍不清楚。研究人员将部分定向相干（partial directed coherence, PDC）图整合到有向图Inception卷积网络（Digraph Inception Convolutional Network, DiGCN）中，以保留用于癫痫发作预测的有向边信息，在CHB-MIT、Siena和机构队列上分别取得了96.11 ± 0.76%、96.32 ± 0.70%和97.69 ± 0.67%的准确率。在机构队列中，发作前模块度和小世界指数均显著升高（p < 0.001），反映了模块化分离和拓扑重组的增强。在五种癫痫亚型中，EZ一致电极上的PDC入度显著升高（p < 0.05），而出度变化无统计学显著性。GNNExplainer识别出保留这些有向连接模式的紧凑、预测相关子图。PDC-DiGCN为癫痫发作预测和EZ一致网络表征提供了一个可解释的传感器级框架，但需要更大规模的前瞻性验证。

药物难治性局灶性癫痫约占全球6500万癫痫患者的三分之一，但仅不到25%的手术候选人完成术前评估。准确界定致痫区（epileptogenic zone, EZ）对手术成功至关重要。头皮脑电图（electroencephalography, EEG）是术前评估中最常用的非侵入性手段，但容积传导和有限的空间分辨率限制了其在电极水平对EZ的表征。局灶性癫痫被认为是大规模有向网络障碍，发作活动从EZ沿结构约束路径向传播区等级扩散。既往网络研究多采用无向连接，而有向因果连接可揭示网络内的信息流向，且发作间期EZ区域表现出升高的入度（in-degree）特征。部分定向相干（partial directed coherence, PDC）作为一种基于Granger因果关系的定向连接度量，对容积传导相对不敏感。然而，将PDC有向图与图神经网络（graph neural network, GNN）结合面临两个挑战：标准图卷积网络需要对称化处理，会丢失方向信息；而模型可解释性不足。为此，研究人员将PDC导出的有向图输入有向图Inception卷积网络（Digraph Inception Convolutional Network, DiGCN），并采用GNNExplainer进行事后解释，构建了PDC-DiGCN框架，用于癫痫发作预测和EZ相关网络表征。该研究使用CHB-MIT和Siena公共数据库以及一个包含68例药物难治性局灶性癫痫患者的机构队列（所有患者术后随访至少12个月且达到Engel Class Ia级），系统评估了框架性能。论文发表在《iScience》。

关键技术方法：研究人员采用多变量自回归（multivariate autoregressive, MVAR）模型估计PDC，构建加权有向图；利用DiGCN进行图级分类，其中包含基于个性化PageRank的有向图卷积、二阶邻近卷积和多尺度Inception模块；采用GNNExplainer优化边掩码，提取预测相关子图；使用Hyperlink-Induced Topic Search（HITS）算法计算枢纽和权威分数。样本队列包括公共数据库和机构队列（68例患者，来自南昌大学第一附属医院）。

研究结果如下。

跨数据集发作预测性能（Seizure prediction performance across datasets）：PDC-DiGCN在机构队列上准确率达97.69 ± 0.67%，显著优于11种基线模型；在CHB-MIT和Siena上分别为96.11 ± 0.76%和96.32 ± 0.70%。事件水平平均误报率为0.16次/小时，平均预测潜伏期14.07分钟。留一患者交叉验证（LOPO）准确率为82.79 ± 3.97%。

组件和配置消融分析（Component and configuration ablation analyses）：通过比较8种图配置，完整PDC-DiGCN准确率最高，仅入向配置优于仅出向配置。组件消融显示，去除对称双向公式、PageRank加权和高阶邻近聚合均导致准确率下降，证实各组件均有贡献。

超参数和方法学敏感性分析（Hyperparameter and methodological sensitivity analyses）：发作前窗口长度在10–15分钟时性能最佳；个性化PageRank传送概率α=0.15、邻近阶数K=2为最优；MVAR模型阶数p=3、5秒窗口、1000次替代数据、阈值0.05时性能稳定，I型错误校准良好。

GNNExplainer边消融分析（GNNExplainer edge ablation analysis）：与积分梯度、GradientSHAP和随机基线相比，GNNExplainer在删除和保留协议中均能更有效地影响分类性能，说明其识别出的有向边与预测功能相关。

多尺度网络拓扑分析（Multi-scale network topology analysis）：对8项图论指标（网络密度、平均度、模块度、互惠性、度分布方差、聚类系数、特征路径长度、小世界指数）进行发作间期至发作前比较，均存在显著变化（p < 0.001）。发作前网络密度和平均度降低，模块度、度分布方差、聚类系数和小世界指数升高，互惠性降低，特征路径长度缩短，提示发作前网络向更模块化、不对称和异质的方向重组。

节点聚合PDC连接显示EZ一致电极是优先定向信息汇聚点（Node-aggregated PDC connectivity reveals EZ-concordant electrodes as preferential directed information sinks across seizure onset subtypes）：在五种癫痫亚型（双侧额叶、右侧额叶、右侧颞叶、左侧额叶、左侧颞叶）中，EZ一致电极的PDC入度显著高于非EZ一致电极（p < 0.05或p < 0.001），而出度差异大多不显著。GNNExplainer子图保留了这一入度升高模式。

总结讨论：该研究将PDC有向图、DiGCN和GNNExplainer相结合，在保留无创头皮EEG实用性的同时，将癫痫发作预测与可解释的传感器级网络表征联系起来。研究结论指出，PDC-DiGCN为癫痫发作预测和EZ一致网络表征提供了一个可解释的传感器级框架，但需要更大规模的前瞻性验证。局限性包括：应视为探索性EEG级表征而非皮层级EZ定位；采用患者特定模型，LOPO性能下降；MVAR假设局部平稳；传感器空间受容积传导影响，未来需结合源定位和颅内EEG验证。