《Journal of Radiation Research and Applied Sciences》：Development and validation of a multimodal predictive scale integrating structural MRI and FDG-PET with EEG for epilepsy surgery outcomes
编辑推荐：
**背景**：癫痫手术是局灶性药物难治性癫痫（focal drug-resistant epilepsy）唯一的治愈性治疗手段，然而仍有20%–50%的患者术后存在癫痫发作。本研究开发并内部评估了一种基于多模态术前数据的实用评分量表，用于预测术后无发作状态
**背景**：癫痫手术是局灶性药物难治性癫痫（focal drug-resistant epilepsy）唯一的治愈性治疗手段，然而仍有20%–50%的患者术后存在癫痫发作。本研究开发并内部评估了一种基于多模态术前数据的实用评分量表，用于预测术后无发作状态。
**方法**：该回顾性队列纳入了于XX医院（2019–2024年）接受癫痫手术且随访时间≥1年的患者，将其分为无发作组（seizure-free, SF）和非无发作组（non-seizure-free, NSF）。研究分析了涵盖人口统计学、头皮视频脑电图（video-EEG）、结构磁共振成像（structural MRI, sMRI）、氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）及脑磁图（magnetoencephalography, MEG）在内的56项候选变量。结构MRI与FDG-PET用于评估病变范围与位置；MEG棘波源按空间分布进行分类。研究人员通过单变量分析与机器学习筛选变量，并构建了L2正则化多变量逻辑回归（L2-regularized multivariate logistic regression）模型。
**结果**：在157例患者（116例SF，41例NSF）中，单变量分析确定病程（P = 0.013）、手术年龄（P = 0.047）、发作间期脑电图模式（P = 0.001）、发作期脑电图起始模式（P = 0.004）及PET低代谢范围（P = 0.012）为显著预测因子。最终L2正则化逻辑回归模型纳入8个变量：病程、手术年龄、局灶/脑叶或多脑叶/半球性发作期脑电图、局灶/脑叶或其他类型发作间期脑电图、MRI颞叶病变以及PET单侧单灶病变范围。该模型在训练集中的曲线下面积（area under the curve, AUC）为0.864，在独立测试集中为0.810，数据推导的截断值为70分。
**结论**：该内部评估的多模态评分量表显示了良好的区分能力，并为药物难治性局灶性癫痫的术前风险分层提供了一个候选的定量框架。在临床使用前，需进行外部验证和前瞻性临床效用评估。
### 论文解读
#### 一、研究背景与现存问题
癫痫是影响全球超过7000万人的常见慢性神经系统疾病，约30%的患者即使接受最佳抗癫痫药物治疗仍发展为药物难治性癫痫（drug-resistant epilepsy, DRE）。对于此类患者，手术切除致痫灶（epileptogenic zone, EZ）是最有效且可能根治的治疗选择，但仍有30%–50%的患者术后无法达到无发作状态。手术结局直接影响患者的生活质量、认知功能和职业康复，而手术本身也伴随感染、出血及神经功能缺损等风险。因此，术前准确预测个体手术结局、筛选最可能获益的患者、为手术计划提供客观证据，是当前癫痫外科亟待解决的临床挑战。
术前评估已进入多模态数据融合的新时代，整合了结构磁共振成像（structural MRI, sMRI）、功能磁共振成像、正电子发射断层扫描（positron emission tomography, PET）、脑电图（electroencephalography, EEG）和脑磁图（magnetoencephalography, MEG）等信息。不同模态从各自角度描绘致痫网络：MRI可显示海马硬化、局灶性皮质发育不良等结构性病变；FDG-PET可揭示超出甚至早于结构异常的脑区低代谢；MEG凭借高时空分辨率定位发作间期棘波源；EEG则实时反映发作间期和发作期的电生理动态。这些模态构成全面、无创的评估框架。然而，目前整合多模态数据主要依赖多学科团队的主观经验，面临耗时费力、观察者间差异大以及复杂数据解读困难等问题。机器学习（machine learning, ML）技术为多模态数据整合与挖掘提供了客观、可重复的预测可能性，有望应对上述挑战。
尽管多模态术前评估在临床广泛应用，但现有预测工具大多依赖单一模态或主观经验，尚缺乏在系统整合多维数据的同时兼顾可解释性与普适性的定量模型。本研究旨在整合sMRI、PET、EEG、MEG及临床特征，采用传统统计学与机器学习相结合的混合策略，开发并内部评估一个用于预测DRE患者术后癫痫发作结局的候选临床决策支持量表。
#### 二、研究设计与关键技术方法
本研究为单中心回顾性队列研究，样本来源于XX医院2019年1月至2024年10月期间接受术前评估和癫痫手术的患者，最终纳入157例具有完整数据且术后随访≥1年的患者。研究人员采用三步骤变量筛选策略：第一步进行单变量分析并结合临床专业知识；第二步应用逻辑回归和四种机器学习分类器（随机森林、朴素贝叶斯、支持向量机和神经网络）；第三步综合两种方法的结果，以赤池信息准则（Akaike Information Criterion, AIC）最小化为标准确定最终模型，变量数目依据事件-变量比确定。模型区分度采用受试者工作特征曲线下面积（area under the curve, AUC）评估，校准度采用校准图描述。研究人员通过Bootstrap重抽样（n = 500）确定数据来源的截断值，以最大化0.4×灵敏度 + 0.6×特异度为标准。最终模型在独立留出测试集中验证，计算灵敏度和特异度。分析遵循TRIPOD报告规范。
#### 三、研究结果
##### 3.1 患者临床特征
SF组手术年龄（25.32 ± 9.57岁）显著小于NSF组（29.90 ± 11.06岁，P = 0.013）；SF组病程（12.10 ± 9.61年）显著短于NSF组（15.56 ± 8.92年，P = 0.047）。在辅助检查方面，两组间发作间期EEG放电模式分布差异显著（P = 0.001），单侧区域性放电在SF组更常见；发作期EEG起始模式分布差异亦显著（P = 0.004）。PET低代谢范围在组间差异显著（P = 0.012）。MRI病变特征和MEG异常表现无显著组间差异。
##### 3.2 模型开发
初始纳入56个变量，包括8个人口学与临床变量和48个辅助检查变量。单变量分析识别出6个P ≤ 0.2的变量，另经临床专家意见补充4个变量，形成10个候选变量。四种机器学习分类器识别出9个候选变量。将上述候选变量纳入多元逻辑回归并进行AIC反向选择，最终得到8变量模型：病程、手术年龄、发作期EEG局灶/脑叶、发作期EEG多脑叶/半球性、发作间期EEG局灶/脑叶、发作间期EEG其他类型、MRI病变位于颞叶、PET病变范围为单侧单灶。模型在训练集中的AUC为0.864，在独立测试集中为0.810。校准图显示预测概率与实际观测频率总体一致。以70分作为截断值时，得分≥70分的患者无发作比例为78.2%，显著高于得分<70分患者的25.7%（P < 0.001）。
#### 四、讨论与结论
本研究开发的最终模型以EEG变量为主要预测因子，而MRI和PET变量尽管在多元分析中未达独立统计学意义（颞叶病变OR = 0.40，P = 0.179；PET单侧单灶OR = 2.51，P = 0.101），但仍保留在评分中。这一统计学衰减可能归因于与EEG发现的多重共线性，因为局灶性癫痫样放电常与局限性MRI病变和PET低代谢共定位。PET低代谢范围在单变量分析中显著（P = 0.012），而MRI颞叶病变在大型荟萃分析中一致地与良好手术结局相关。影像模式提供了直接指导切除边界的解剖与代谢基础，EEG则反映动态网络活动——两者对临床可行的预测均不可或缺。MEG虽为本研究多模态评估的一部分，但因纳入变量为粗略的分类变量、样本量有限（45/157，28.7%）等原因，未显示显著预测价值，但这不应被解读为MEG缺乏临床意义。研究将量表定位为对选定多模态信息的实用性、探索性表达，而非确定性的多模态模型。EEG在预测权重中占主导地位，而结构（MRI）、代谢（PET）和电磁（MEG）影像仍是致痫灶勾画的金标准无创手段。
研究人员指出，该评分量表未来可能有助于患者咨询和共同决策，包括术前讨论颅内EEG评估或神经调控等替代策略、术中考虑扩大切除范围，以及术后设定合理的康复与随访计划。但本研究为回顾性设计，未测试前瞻性决策或临床效用。研究的局限性包括：单中心回顾性设计可能限制普适性并引入选择偏倚；失访及数据不完整可能导致额外损耗偏倚；当前模型依赖人工提取的分类特征，未系统纳入癫痫综合征、病理类型和手术方式等重要混杂因素。未来研究应通过多中心前瞻性队列验证模型稳健性，并探索深度学习架构以自动提取影像和EEG中的高阶预后特征，整合动态网络生物标志物以进一步提升预测能力。
**研究结论**：本研究开发并内部评估了一种基于多模态术前数据的实用八变量评分量表，用于预测癫痫手术后的无发作状态。该模型展现出稳健的区分能力和临床上有意义的结局分层，为药物难治性局灶性癫痫患者提供了一种客观的术前风险分层和手术规划定量工具。尽管在大规模临床采用前仍需多中心前瞻性验证，该模型代表了癫痫外科个体化医疗的重要一步，可能协助临床医师优化这一挑战性患者群体的治疗决策。
