癫痫神经影像学中的人工智能应用

《Current Opinion in Neurology》:AI in epilepsy neuroimaging

【字体: 大 中 小 】 时间:2026年03月09日 来源:Current Opinion in Neurology 4.4

编辑推荐:

  **摘要** 随着人工智能(AI)架构能力的提升和可用性的增强,以及神经影像数据集的日益丰富,AI在癫痫神经影像学中的应用迅速扩展。本文综述了AI在癫痫神经影像学中的主要应用,并提出了该领域的未来发展方向。 **最新进展** 从多层感知器到基于体积和图形的卷积神经网

  **摘要**
随着人工智能(AI)架构能力的提升和可用性的增强,以及神经影像数据集的日益丰富,AI在癫痫神经影像学中的应用迅速扩展。本文综述了AI在癫痫神经影像学中的主要应用,并提出了该领域的未来发展方向。

**最新进展**
从多层感知器到基于体积和图形的卷积神经网络,多种不同的机器学习方法已被用于预测患者是否会患上癫痫、检测结构性癫痫病变、定位癫痫发作区域、分割癫痫手术后的切除腔体以及图像增强。

**总结**
AI在癫痫神经影像学研究中的应用主要集中在病变检测和定位上,目前已有许多经过验证的工具可用于不同场景的评估。AI在癫痫神经影像学中的其他应用仍处于早期开发阶段或作为新的研究挑战出现。随着这些工具及其支持证据的成熟,需要进一步解决临床应用的障碍。

**通俗语言总结**
得益于AI技术的进步和更多可用的神经影像数据,AI在癫痫神经影像学中的应用日益增多。本文强调了AI在预测癫痫、检测病变、定位癫痫发作区域和图像增强方面的作用。虽然用于病变检测和定位的AI工具已经相当成熟并经过验证,但其他应用仍在发展中。随着AI工具的不断完善,将其整合到临床实践中仍是一个需要进一步研究和开发的挑战。

**常见问题解答**
**引言**
癫痫是一种慢性神经系统疾病,影响着大约每100人中的1人。神经影像学检查是癫痫诊断和管理的基础,目前的标准护理方法包括对图像的视觉评估。然而,人工视觉分析耗时较长,且性能受限于操作者的专业水平。此外,随着可用神经影像技术的不断增加,高效地审查和整合来自不同来源的信息变得越来越困难。

**人工智能的最新进展**
人工智能的最新进展推动了将神经影像数据与深度学习框架相结合的研究,以回答具有临床意义的重要问题。在评估AI方法的相对优势和局限性时,可以考虑以下问题:
(1) 训练数据:用于训练模型的数据是什么?该数据是否代表相关人群?它是真实世界的数据还是研究质量数据?
(2) 模型任务:模型被训练用于执行什么任务?
(3) 模型架构:使用了哪种AI架构?这种架构有哪些固有的优势和局限性?
(4) 模型验证:模型是如何验证的?研究人员是否使用了交叉验证或拥有独立的测试数据集?
(5) 模型性能:模型的性能如何?表1提供了常用的性能指标概述。

**常用的性能指标**
| 指标 | 任务 | 公式 | 解释 |
|----------------|------------------|------------------|--------------------------------------------|
| 准确率(Accuracy) | 分类 | TP + TN / (TP + TN + FP + FN) | 测量正确分类实例的比例 |
| 精确度(Precision, PPV) | 分类 | TP / (TP + FP) | 测量模型做出的阳性预测中正确的比例 |
| 召回率(Recall) | 分类 | TP + FN / (TP + FN) | 测量实际阳性中被正确识别的比例 |
| F1分数(F1 Score) | 分类 | 2 × 精确度 × 召回率 | 在类别不平衡时提供精确度和召回率的平衡度量 |
| 特异性(Specificity) | 分类 | TN + FP / (TP + FN) | 测量实际阴性中被正确识别的比例 |
| AUC-ROC(接收者操作特征曲线下面积)| 分类 | - | 评估模型在不同阈值下区分类别的能力 |
| IoU(交并比) | 图像分割/对象检测 | 2 × (PredVoxels ∩ GTVoxels) / (PredVoxels ∪ GTVoxels) | 测量预测边界与实际边界之间的重叠程度 |
| Dice系数(Dice Coefficient)| 图像分割 | 2 × (PredVoxels ∩ GTVoxels) / (PredVoxels + GTVoxels) | 测量预测分割与真实分割之间的空间相似度 |

**癫痫神经影像学中使用的常见数据**
国际抗癫痫联盟(ILAE)建议,如果资源允许,应在首次癫痫发作后进行HARNESS-MRI协议的MRI扫描[1]。HARNESS-MRI协议包括各向同性的3D T1加权序列和FLAIR序列,以及2D冠状T2加权图像。由于许多癫痫中心遵循ILAE的神经影像学指南[2],因此可以在单个大型癫痫中心[3]或通过多中心合作[4,5,6?]收集大量这些扫描的回顾性数据集来训练AI模型。此外,还有一些公开的癫痫结构神经影像数据集,如Bonn Open Presurgery MRI数据集(针对FCD患者[7??])、Epilepsy And Surgery Imaging Dataset (IDEAS)[8??]和Brain Imaging and Neurophysiology Database[9]。获取伦理批准和/或适当的同意并进行数据集的整理和注释是一项重要的工作,但这些资源为该领域提供了宝贵的训练和/或独立验证数据。因此,用于癫痫神经影像学的AI模型最常在结构MRI数据上进行训练。不过,也有创新的人工智能方法使用扩散加权成像(DWI)、功能性MRI、正电子发射断层扫描(PET)、高场MRI数据、MR指纹识别或这些技术的组合。

**AI在癫痫神经影像学中的应用**
1. **FCD(皮质发育畸形)的分割**:FCD是与药物难治性癫痫相关的皮质发育异常。它们是癫痫手术队列中第二常见的组织病理学诊断[10]。由于专家在MRI数据视觉分析中会遗漏31%的病变[11],且约45%的癫痫手术患者实际上存在FCD[11,12?,13],因此自动检测FCD的方法仍是研究重点。一项多中心研究[14??]比较了多种可用的FCD检测方法,包括基于T1和形态测量特征图的MAP18[15??]、基于T1和FLAIR小块体素的DeepFCD[16??]以及基于T1和FLAIR表面特征的MELD MLP[17]。独立评估结果显示,deepFCD的F1分数为0.06,MAP18为0.13,MELD MLP为0.35。MELD MLP的多层感知器能够很好地泛化到新的数据集,这得到了其他独立验证研究的支持[18,19],可能是因为参与研究的医院和MRI扫描仪的多样性。同一研究[14??]还在其T1和FLAIR图像子集上训练并评估了nnU-Net模型[20?]。nnU-Net是一种自配置的卷积神经网络,在多种生物医学分割任务中表现良好。尽管这不是完全独立的验证,但3D nnU-Net模型提供了最高的F1分数(0.58)。Chanra等人也使用U-Net架构在10个FCD的小型测试数据集上展示了良好的性能[21]。
2. **癫痫神经影像数据的获取**:ILAE建议,在资源允许的情况下,应在首次癫痫发作后进行HARNESS-MRI扫描[1]。

**未来方向**
未来的工作需要将AI工具从研究工具发展为可在癫痫护理中安全大规模部署的医疗设备。

**其他应用**
1. **颞叶癫痫的诊断**:最近利用多中心数据的AI方法专注于颞叶癫痫的检测,区分患者与对照组或其他病理组,以及确定左侧还是右侧受影响。Chang等人使用卷积神经网络区分了多中心颞叶癫痫患者(n = 157)、阿尔茨海默病患者和健康对照组[26]。Gleichgerrecht等人使用更大的多中心颞叶癫痫患者队列(n = 1178)训练了卷积神经网络,分类准确率为82%,特异性为91%[27]。在后续研究中,他们使用显著性方法分析了MRI扫描中哪些部分对确定疾病状态重要[6?]。有趣的是,显著性图显示,无论病变在MRI上的可见性如何,某些大脑区域在两者中都存在相似的变化。
2. **癫痫的预测**:肿瘤和创伤性脑损伤常与癫痫发作相关[31,32],准确预测患者是否会发作会影响治疗方案。在低级别胶质瘤中,癫痫的发病率随患者年龄和肿瘤组织类型而变化。放射组学是一个不断发展的领域,从MRI数据中提取形状、强度、纹理和位置特征。最近的研究将机器学习方法应用于放射组学特征,预测肿瘤相关癫痫的准确率(AUC)在0.88到0.97之间[33–35]。Akrami等人将病变体积和功能性MRI指标结合到机器学习框架中,预测创伤后癫痫的AUC-ROC为0.78[36]。

**结论**
AI在癫痫神经影像学中的应用正在不断扩展,为诊断和治疗提供了新的工具和方法。未来的工作不仅需要进一步研究这些工具,还需要将其发展为可在临床中安全使用的医疗设备。癫痫发作起始区的定位
癫痫发作起始区(SOZ)是负责产生癫痫发作的脑区,其定位对于癫痫手术计划至关重要。迄今为止,定义SOZ的金标准是立体脑电图(sEEG)。然而,最近有研究将机器学习框架应用于MRI数据以确定SOZ。一项结合了静息态功能MRI连接组学、专家知识和深度学习的研究显示,SOZ定位的F1分数达到了92% [37]。另一组研究人员将机器学习模型应用于7T下获取的23Na-MRI数据以生成SOZ的初步估计,并证明当这些数据与现有的结构和功能信息结合使用时,可以更准确地估计SOZ [38]。更精确地定位SOZ可能需要将电生理数据与结构和功能MRI数据进行多模态整合。

癫痫手术切除区的分割
在研究癫痫手术后的结果时,通常需要从术后MRI扫描中准确分割切除区,以明确哪些组织和白质束被切除。Courtney及其同事比较了四种自动化的切除区分割工具,发现基于组织的分类模型(Epic-CHOP和ResectVol)的表现优于基于深度学习的模型(Resseg和Deep Resection),分别分割出了84%和88%的切除区,而后者仅为44%和46% [39?]。最近,RAMPS流程利用深度学习进行颅骨剥离和脑部分割,同时结合了更传统的组织分类和减法方法,其性能优于现有方法 [40?]。未来利用这些人工智能生成的手术切除区分割结果,可能会为了解哪些灰质和白质损伤是必需的或需要避免的提供重要见解,从而实现最佳的术后效果,无论是从控制癫痫发作还是改善神经心理功能的角度来看。

图像增强与合成
人工智能在癫痫神经影像学中的一个有趣应用是增强现有的MRI数据或创建合成图像。例如,高场MRI数据的一个挑战是由于磁场不均匀性导致的伪影。Uher等人使用基于体素的神经网络生成了类似FLAIR的合成图像,改善了信号质量并减少了对比度衰减,适用于MRI阴性的癫痫患者。此外,生成对抗网络已被用于从MRI或PET数据合成单光子发射计算机断层扫描(SPECT)图像 [41],以及从动脉自旋标记(ASL)数据合成PET图像 [42]。合成SPECT和PET数据是一个令人兴奋的前景,因为它可以减少或消除目前PET/SPECT检查所需的辐射暴露。在许多低收入和中等收入国家,高场(1.5 T、3 T或7 T)MRI扫描仪的可用性有限。低场(<1 T)MRI更为普及,初步研究表明它可以用于癫痫病变的检测 [43?],但其信噪比较低。有前景的研究表明,利用深度学习可以提高低场数据的图像质量和癫痫病变的可见性 [44],这有可能在资源有限的环境中推动癫痫诊断的普及。

未来方向
人工智能在癫痫神经影像学领域是一个快速创新的领域,有许多研究方向值得进一步探索(图2)。
首先,利用人工智能方法对患者群体进行数据驱动的分层可能会揭示精准医疗的多种机会。例如,根据患者估计的疾病进展模式进行计算亚型分类 [45,46],结合神经影像学特征预测术后结果的模型 [47],以及自动将癫痫病变分类为相应的组织病理亚型 [22??,48]。同时,数据驱动的分子诊断技术的并行发展可以为未来的MRI分类算法提供更可靠的标签 [49–51]。其次,进一步整合多模态数据(如PET、ASL和结构MRI数据)以及遗传、临床和电生理数据等其它模态的数据具有巨大潜力。第三,尽管最近的多模态大型语言医学模型(如MedGEMMA [52])尚未专门应用于癫痫研究,但这很可能成为未来的活跃研究方向。最后,随着人工智能模型在癫痫诊断中达到临床实用水平,其他一些问题将变得越来越重要,包括模型的可解释性、如何将模型作为医疗设备进行监管,以及在医院工作流程中实际应用人工智能工具所面临的挑战 [53–55]。

结论
将人工智能引入癫痫神经影像学正在推动多个应用领域的研究进展。开展涉及人工智能的研究的基础是深入理解需要解决的实际临床问题以及相关的AI技术细节,包括训练和测试数据、机器学习任务以及评估指标。开放的数据集、代码和模型促进了新进展的快速创新和独立验证,从而加速了研究进展。目前人工智能在癫痫神经影像学中的临床应用还较为有限,但未来我们可能会看到它在患者诊疗过程中的多个阶段发挥作用,从初次诊断和治疗计划到术后随访。这些进展将应用于包括家庭医生、癫痫护士、神经科医生、神经放射科医生和神经外科医生在内的各类医疗专业人员。

致谢
我们感谢Jieun Seo和Mathilde Ripart博士对手稿的修订和图表的制作。伦敦大学学院Great Ormond Street儿童健康研究所的所有研究工作都得到了NIHR Great Ormond Street医院生物医学研究中心的支持。本文所表达的观点仅代表作者本人,并不一定代表NHS、NIHR或卫生部的立场。本研究还得到了ERN EpiCARE的支持。

财务支持和赞助
无。

利益冲突
无利益冲突。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号