基于跨患者可泛化特征学习与多任务监督的发作起始区独立患者定位

《Neural Networks》：Patient-independent seizure onset zone localization with generalizable feature learning and multi-task supervision

　　

研究人员提出了一种独立于患者的框架，用于定位发作起始区（SOZ）。受临床启发的跨频耦合（CFC）保留了可泛化的SOZ特征。自比较（SC）模块增强了发作期模式的时间区分度。发作检测任务提升了跨患者SOZ定位性能。癫痫是一种慢性且高发的神经系统疾病，约30%患者发展为药物难治性癫痫（DRE），其手术规划依赖SOZ的精确界定。立体定向脑电图（SEEG）虽可提供高时空分辨率的发作观察，但发作记录稀缺且标注存在临床者间差异。现有深度学习方法多依赖患者特定多发作数据，难以跨患者泛化。为此，研究人员设计了结合CFC与SC的临床引导特征学习策略，并引入联合发作检测与SOZ定位的多任务学习，以对齐发作起始的时间本质。该框架在OpenNeuro HUP数据集与宣武医院私有临床数据集上验证，结果表明其可有效提升有限发作数据下跨未见患者的SOZ定位鲁棒性与生理可解释性。

研究背景方面，癫痫作为慢性高发神经疾病，约30%进展为药物难治性癫痫（DRE），外科干预须精确勾勒发作起始区（SOZ）即首发病理放电的皮质区域。立体定向脑电图（SEEG）具备高时空分辨率，但发作事件占长程记录不足5%，且专家视觉标注存在主观变异，使基于患者特定多发作数据的自动定位难以落地。现有跨患者泛化尝试常依赖域适应或数据增强，易掩盖关键病理耦合或生成生理不合理波形。因此，研究人员在《Neural Networks》提出一种患者独立框架Gen-STGNN，目标是利用临床引导的特征学习与多任务时间监督，在发作数据稀缺下实现跨未见受试者SOZ通道定位。

关键技术方法上，研究人员整合公开OpenNeuro HUP队列（19例术后预后良好患者，每例1–5次发作，含120?s发作前与60?s发作后）与宣武医院神经外科私有SEEG队列（23例，采样2000/2048?Hz，含300?s发作前与60?s发作后），信号经白质/颅外通道剔除、双极重参考、512?Hz重采样与工频陷波；构建属性图时节点属性由跨频耦合（CFC）层提取，图卷积（GCN）与带自比较（SC）的注意力读出构成主干，并以多任务损失联合优化发作检测（二分类滑窗）与SOZ通道定位（双极首触点属SOZ则标记阳性）。

研究结果部分，引言指出SOZ具时间本质而既往仅用空间标注会丢失发作起始动态，故需时间感知表征。材料与方法显示，通过严筛HUP中预后良好者排除低采样与预后差样本，建立异质电极配置下的跨患者训练测试划分。预处理小节明确双极通道标签规则与按Grattarola等的滑窗发作/发作间标注公式：窗口W内若τ∈[t?W,t]的y_τ和过半为1则判发作。主体模型章节表明，CFC捕获频段间异常耦合，SC通过同期对照增强发作演进区分，多任务中发作检测为辅助任务向定位分支注入时间状态转移线索。实验章节（原文未展开数值但指出）在HUP与私有集上较患者特定基线提升跨患者AUC/召回，消融证实CFC、SC与多任务各自贡献；生理可解释性分析显示所学表征与已知发作期高频振荡、θ–γ耦合一致。

讨论与结论翻译浓缩如下：研究人员得出结论，受临床启发的CFC与SC使特征提取不受电极数与解剖差异主导，保留跨患者可迁移的病理耦合；将发作检测作为辅助任务的多任务监督迫使共享表征对齐首发放电的时间边界，从而在仅含单次发作的未见患者上仍稳定圈定SOZ。该框架降低对多发作患者特定训练的依赖，为药物难治性癫痫术前SEEG提供客观、可复现的SOZ候选，并具有与临床电生理判断相符的 Interpretability。未来方向包括与术中皮层刺激映射融合及前瞻多中心验证，但上述延伸不在本文实验结论内。