《Frontiers in Neuroscience》：Non-invasive preoperative prediction of surgical outcomes in drug-resistant epilepsy using seizure-related EEG network dynamics
编辑推荐：
立体定向脑电图（SEEG）引导的射频热凝术（RF-TC）已成为部分药物难治性癫痫（DRE）患者的一种微创治疗选择。然而，其总体疗效仍不理想，术后无发作率通常低于70%。为促进DRE的精准管理并降低无效或高风险手术干预的潜在风险，亟需一种可靠、稳健且非侵入性的
立体定向脑电图（SEEG）引导的射频热凝术（RF-TC）已成为部分药物难治性癫痫（DRE）患者的一种微创治疗选择。然而，其总体疗效仍不理想，术后无发作率通常低于70%。为促进DRE的精准管理并降低无效或高风险手术干预的潜在风险，亟需一种可靠、稳健且非侵入性的术前评估框架，以准确预测术后手术结局。本研究提出了一种基于脑电（EEG）源成像的新型非侵入性计算框架，通过定量表征发作相关的脑网络重组来实现术前结局预测。研究将50例DRE患者的头皮EEG记录重建至源空间，并分割为发作前期和发作期两种状态。基于临床专家术前定义的临床致痫区（pEZ）和非致痫区（pNEZ），构建功能脑网络，随后提取多维发作相关网络特征用于预测建模。所提出的框架在不同网络阈值下均取得了稳健且稳定的性能，在中等稀疏度水平下观察到最佳结果。基于pEZ来源特征获得了最佳的预测性能，最大曲线下面积（AUC）达0.936，准确率达0.860。支持向量机（SVM）和逻辑回归（LR）模型均展现出具有竞争力的分类性能。pEZ来源特征达到了更高的峰值预测性能，而pNEZ来源特征提供了互补信息，并在不同阈值下表现出更稳定的性能。这些研究结果共同表明，所提出的方法能够实现准确、可靠且非侵入性的手术结局术前预测，从而为个体化手术规划提供实用的决策支持工具，并有效降低潜在无效干预的风险。
### 论文解读文章
#### 一、研究背景与科学问题
癫痫是一种以神经元异常同步放电导致反复、无诱因发作为特征的慢性神经系统疾病。尽管药物治疗仍是首选方案，但约三分之一的患者会发展为药物难治性癫痫（DRE）。对于此类患者，通过手术切除或热凝消融致痫区（EZ）是控制发作最有效的手段。然而，术后无发作仅在一部分患者中实现，这凸显了开发可靠的非侵入性生物标志物以改进术前评估的迫切需求。
传统的术前评估整合了症状学、结构影像学和视频脑电图（vEEG）等信息。尽管立体定向脑电图（SEEG）仍是EZ定位的临床金标准，但其有创性和有限的空间采样限制了广泛应用。相比之下，利用标准化低分辨率脑电磁断层成像（sLORETA）在源级别重建EEG信号，提供了一种具备高时间分辨率且能研究全脑电生理动态的非侵入性方法。从网络神经科学的角度看，癫痫越来越多地被视为大规模脑网络异常相互作用的障碍。相位滞后指数（PLI）等脑网络功能连接测度因其对容积传导效应的稳健性而被广泛用于基于EEG的网络分析。
然而，当前的预测框架仍存在若干局限：第一，许多研究仅关注发作前期或发作期的静态连接模式，可能忽略了发作演变过程中的动态网络重组；第二，网络改变的空间异质性，特别是临床预定义致痫区（pEZ）与非致痫区（pNEZ）的不同作用，在源水平上尚未得到充分刻画；第三，尽管机器学习技术应用日益增多，但对于复杂的非线性模型是否在模拟发作相关网络特征方面持续优于简单的线性方法仍不清楚。
#### 二、研究目标与主要结论
针对上述问题，研究人员提出了一种基于发作相关EEG网络动力学的非侵入性术前预测框架，用于DRE患者的手术结局预测。研究聚焦于发作前期至发作期的转变过程，采用差值（Δ）和相对比值两种表征方式来刻画网络重组。此外，研究结合了基于临床pEZ和pNEZ区域的空间解析分析，以捕捉不同区域对结局预测的特定贡献，并在多个连接阈值下进行系统评估，以检验所提出特征的稳健性和泛化能力。
该研究共纳入50例于2022年至2025年间在兰州大学第二医院接受术前评估及后续手术或消融干预的药物难治性局灶性癫痫患者，平均随访2.84年。患者依据Engel分级被二分为手术成功组（Engel I级，n=26）和手术失败组（Engel II–IV级，n=24）。研究人员利用148导联头皮EEG记录，经sLORETA进行源级重建，按pEZ和pNEZ区域对每个感兴趣区（ROI）进行分类，构建基于PLI的功能网络，并提取图论指标用于预测建模。最终结果显示，基于pEZ的特征在中等稀疏度阈值（τ=0.6）下，逻辑回归（LR）模型取得了最高的预测性能：AUC达0.936，准确率达0.860，F1分数为0.863。而pNEZ来源的特征虽峰值性能较低，但在不同阈值下表现更为稳定，与pEZ特征形成互补。该研究证实了非侵入性EEG源成像联合机器学习可以作为癫痫手术结局预测的可行框架。
#### 三、关键技术方法概述
本研究使用了以下主要技术方法：其一，采用sLORETA进行EEG源成像，将头皮记录重建到皮层源空间；其二，采用PLI估计源级别功能连接，以降低容积传导效应影响；其三，采用比例阈值化方法在不同网络稀疏度水平（τ=0.3–0.8）下构建二值邻接矩阵；其四，计算多个图论指标，包括特征向量中心性（EC）、聚类系数（CC）、全局效率、模块度、特征路径长度等；其五，采用L1正则化逻辑回归（LASSO）进行特征选择；其六，评估了逻辑回归（LR）、线性支持向量机（SVM）、K近邻（KNN）、随机森林（RF）、梯度提升（GB）、XGBoost和LightGBM共七种分类器；其七，采用重复分层5折交叉验证（10次重复）评估模型性能，所有预处理和特征选择步骤仅在前训练折叠内执行以防止信息泄漏。
#### 四、研究结果
**4.1 临床基线模型**：以年龄、癫痫病程、手术方式和病灶侧别等常规临床变量构建的临床基线模型仅获得AUC=0.612±0.169、准确率0.526±0.143的预测性能，表明传统临床特征对术后结局的预测能力有限，这凸显了EEG网络特征潜在的增加价值。
**4.2 统计分析结果**：非参数统计分析显示，在发作期，特征向量中心性（EC）和模块度在不同阈值下（τ=0.3–0.8）均表现出结局组间一致的分离趋势，且pEZ来源特征更为明显，提示致痫网络改变包含结局相关信息。pNEZ来源特征呈更广泛的显著性模式但分布较分散，可能反映更广泛的网络重组并提供互补信息。频率特异性分析显示，高频γ频段（30–80 Hz）的特征比低频段展现出更强且更一致的组间差异，特别是γ频段的EC和模块度。该结果支持高频活动在致痫网络动力学和发作传播中的关键作用。
**4.3 手术结局预测结果**：在多个稀疏度阈值下的系统评估显示，中等阈值（τ=0.4–0.5）提供了网络密度与信息保持之间的最佳平衡，模型性能稳定。在τ=0.3时，pEZ网络的SVM模型获得AUC=0.864；在τ=0.6时，pEZ网络的LR模型达到了所有阈值中的最佳分类性能（AUC=0.936，准确率=0.860，F1=0.862）。整体而言，LR在所有阈值中表现出稳定且频繁最优的性能，SVM在不同稀疏度条件下也显示出稳健表现，而随机森林和XGBoost等集成模型并未持续优于线性分类器，提示提取的网络特征形成了相对结构化且低维度的表示。
**4.3.1 特征组消融分析**：时间表征消融比较了静态发作前期和发作期特征与动态发作相关表征。静态特征仅获得AUC=0.813和0.800的预测性能，而动态特征（特别是比值和Δ+比值组合）的AUC分别提升至0.871和0.887，表明刻画发作相关的网络转变提供了额外的预测信息。空间贡献分析显示，完整的全脑（ALL）特征集取得了最高性能（AUC=0.887），pNEZ特征也展现出有竞争力的性能（AUC=0.806）。尽管pEZ特征在此受控消融比较中表现较低，但在多阈值分析中于优化的阈值配置下取得了更高的峰值预测性能，而pNEZ特征则在不同阈值下展现了更稳定的性能。
#### 五、讨论与结论
讨论部分指出，本研究通过整合频率特异性功能连接分析、多阈值图论刻画和机器学习模型，建立了非侵入性EEG源成像预测框架。主要发现是手术结局不仅与局灶性致痫活动相关，还与分布式网络改变密切相关。pNEZ来源特征的稳定预测性能表明分布式网络改变蕴含了稳健的结局相关信息；而pEZ特征虽对阈值选择更敏感，但在特定网络配置下能达到更高的峰值性能。有利结局（Engel I级）与相对更受限的网络重组相关，而不利结局则显示涉及更广泛分布式致痫网络的改变，提示手术失败可能源于对原发致痫区之外的病理性网络改造不彻底。
与既有SEEG/EEG研究相比，该方法的优势在于非侵入性源空间分析，且动态网络特征优于静态特征。高频γ频段活动，特别是EC和模块度指标，展现出显著区分结局的能力。多阈值分析表明预测性能与网络稀疏度并非单调相关，最佳性能出现在中间阈值（τ=0.6），反映了保留有意义连接与降低噪声之间的平衡。线性模型持续获得最优或接近最优的性能，为其临床可解释性和决策支持系统的潜在整合提供了便利。相比有限的临床基线的预测能力，EEG来源的网络特征提供了大量额外的判别信息。
研究结论明确指出：发作相关源空间EEG网络动力学为药物难治性癫痫手术结局的术前预测提供了稳健且非侵入性的方法，局灶性致痫网络改变与分布式网络改变形成了互补性贡献，这支持了该框架在个体化手术决策中的潜在应用价值。
