基于人工智能的统计建模描绘局灶性皮质发育不良中的结构扭曲

《Brain Pathology》:Artificial intelligence-based statistical modeling delineates architectural distortion in focal cortical dysplasia

【字体: 大 中 小 】 时间:2026年03月28日 来源:Brain Pathology 5.0

编辑推荐:

  对于缺乏磁共振成像可见病灶(如局灶性皮质发育不良(FCD))的癫痫患者,手术切除靶向脑电图(EEG)活动异常的区域。然而,在这些标本中识别细微的皮质结构异常的组织病理学仍具挑战性。研究人员研究了基于人工智能(AI)的形态计量和空间分析,对NeuN染色的皮质切片

  
对于缺乏磁共振成像可见病灶(如局灶性皮质发育不良(FCD))的癫痫患者,手术切除靶向脑电图(EEG)活动异常的区域。然而,在这些标本中识别细微的皮质结构异常的组织病理学仍具挑战性。研究人员研究了基于人工智能(AI)的形态计量和空间分析,对NeuN染色的皮质切片进行检测,以识别癫痫手术切除标本中的神经元结构紊乱,包括缺乏确定性组织学发育不良的区域。从83个FCD区域和19个神经学正常的尸检对照中生成全切片图像。在QuPath中标注感兴趣区域(ROI),分为FCD、FCD邻近、FCD远隔、表观正常(EEG异常但无组织学发育不良)和真正常(尸检对照)。使用QuPath检测NeuN阳性神经元(灵敏度90%,假阳性率12%)。提取空间和形态计量特征——包括神经元聚集、分布不均匀性和核形态——并用于训练一个多项最小绝对收缩和选择算子(LASSO)正则化回归分类器。该分类器在亚区域分类中达到70.6%的准确率,在整体标本诊断中达到88.2%的准确率。值得注意的是,EEG异常但缺乏组织学发育不良的区域表现出可量化的结构紊乱,类似于FCD邻近区域所见,且与对照组织明显不同。AI驱动的神经元形态和空间分布分析揭示了癫痫手术切除标本中细微的皮质紊乱,包括在组织学上不明确的区域。有必要进一步研究以确定该方法是否能提高神经病理学评估的诊断效能,并支持癫痫手术中更精确的靶向定位。
**论文解读:基于人工智能的统计建模揭示局灶性皮质发育不良中的结构扭曲**

**研究背景与问题**

约三分之一的癫痫患者对抗癫痫药物耐药,其中局灶性皮质发育不良(focal cortical dysplasia, FCD)和海马硬化是最常见的病理基础,两者均可通过手术切除治疗。尽管多数致痫灶可通过磁共振成像(magnetic resonance imaging, MRI)检测,但部分患者为MRI阴性。对这些病例,手术切除靶向脑电图(electroencephalographic, EEG)异常活动区域,但手术成功率较低,术后无发作结局较差。FCD的组织病理学分类具有重要预后价值,国际抗癫痫联盟(International League Against Epilepsy, ILAE)分类将FCD分为三类:FCD 1型(仅有皮质结构扭曲,无畸形神经元或气球细胞)、FCD 2型(伴有畸形神经元,2A无气球细胞,2B有气球细胞)和FCD 3型(伴其他主要病变)。然而,FCD的组织学诊断在临床实践中常面临挑战:ILAE标准难以统一应用,导致观察者间变异和诊断不确定性;约5%–10%的手术切除病例无法明确发现潜在病变。此外,分子诊断虽有助于识别FCD 2的体细胞突变,但对更细微异常的检测能力有限。因此,亟需客观、可重复的工具来辅助癫痫手术标本的组织病理学评估。本研究旨在探讨基于人工智能(artificial intelligence, AI)量化细胞形态和神经元分布特征构建的机器学习分类器,能否检测提示FCD的细微结构异常。

**研究内容与主要结论**

研究人员对29例MRI阴性、药物难治性局灶性癫痫患者的手术切除标本和19例年龄匹配的神经学正常尸检对照标本进行了分析。所有组织标本均来自组织档案。通过NeuN免疫组织化学染色生成全切片图像,并在QuPath软件中标注感兴趣区域(region of interest, ROI),分为FCD 2A/2B区域、FCD邻近皮质、FCD远隔皮质、表观正常皮质(EEG异常但无确定组织学发育不良)以及真正常皮质(尸检对照)。利用QuPath检测NeuN阳性神经元,提取空间和形态计量特征,包括神经元聚集、分布不均匀性和核形态等,并训练了一个多项最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)正则化回归分类器。该分类器在亚区域分类中达到70.6%的准确率,在整体标本诊断中达到88.2%的准确率。值得注意的是,表观正常区域表现出与FCD邻近区域相似的可量化结构紊乱,而真正常皮质则明显不同。研究结论表明,AI驱动的神经元形态和空间分布分析能够揭示癫痫手术切除标本中细微的皮质紊乱,包括组织学上不明确的区域。该方法有望提高神经病理学评估的诊断效能,并支持更精确的手术靶向。该论文发表在《Brain Pathology》。

**主要关键技术方法**

本研究主要采用以下关键技术方法:首先,从组织档案中获取29例MRI阴性、药物难治性局灶性癫痫患者的手术切除标本和19例年龄匹配的神经学正常尸检对照标本,所有切片均进行NeuN免疫组织化学染色并生成全切片图像。在QuPath软件中手动标注感兴趣区域,分为FCD 2A/2B、FCD邻近、FCD远隔、表观正常和真正常五类。利用QuPath的阳性细胞检测算法识别NeuN阳性神经元,并提取每个细胞的坐标和形态数据。从细胞形态数据中计算统计汇总特征(如均值、中位数等);从空间坐标生成平面点模式,并计算L函数(Ripley's K的线性变换)、对相关函数(PCF)和最近邻分布函数(G)等二阶点模式汇总函数,同时生成核平滑局部神经元强度图并提取不均匀性特征。通过差异冷缺血时间敏感性分析进行特征筛选,最终使用LASSO正则化多项逻辑回归模型进行分类训练和测试。

**研究结果**

**3.1 细胞分类器的验证与性能**
通过神经病理学家对12个代表性区域的标注进行验证,QuPath分类器检测NeuN阳性神经元的灵敏度范围为72.5%–96.8%,假阳性率低于20%,且在各组织学亚型间表现一致(灵敏度p=0.68,假阳性率p=0.59),表明算法准确且无系统偏倚。

**3.2 特征选择与模型生成**
从初始1662个特征中(包括形态特征、空间点模式特征和不均匀性特征),通过LASSO正则化回归选择最优特征集。模型在测试集上实现整体标本诊断准确率88.2%,亚区域分类准确率70.6%。大多数误分类为将亚区域标记为更发育不良的类别,提示分类器可能对常规组织学不明显的细微结构紊乱敏感。

**3.3 模型特征分析**
- **形态特征**:FCD 2B区域表现出独特的细胞形态学轮廓,如较高的平均最小苏木素光密度、较大的核面积和周长等。FCD 2B邻近区域与FCD 2A的细胞形态学特征高度相似,表明形态改变可能超出组织学定义的病灶边界。表观正常区域与FCD 2A邻近和远隔区域在核染色特征上相似,而真正常皮质则与所有手术标本形态学上截然不同。
- **空间特征**:L、PCF和G函数分析显示,成年皮质神经元的分布本质上是非随机的。FCD 2A及其邻近区域在小半径处表现出更强的规则化,并在中等距离处突然转向聚集,这种模式在表观正常区域及FCD 2B邻近和远隔区域中同样观察到。FCD 2B区域则表现出相反的空间模式:小半径处规则化程度降低,在较大半径处转向聚集。FCD 2A和FCD 2B区域均表现出整体神经元聚集程度下降。
- **不均匀性特征**:FCD 2A区域表现出显著降低的空间不均匀性,包括更低的最大正强度偏差、更少的强度热点总数和每单位面积热点数以及更小的热点平均尺寸,提示皮质结构异常地更均匀。表观正常区域则呈现出增加的不均匀性趋势,特别是在最大正强度偏差方面,表明存在局灶性神经元密度增高的区域,常规组织学未能识别。

**总结讨论与结论**

研究人员开发了一个基于AI量化神经元细胞形态计量和空间分布特征的FCD组织形态分类器,在训练和测试集中表现出良好的性能,提示该方法的临床潜力。讨论指出,该方法与神经病理学家使用的特征(如皮质结构、核大小和形状)在概念上一致,但精确度和范围更高。值得强调的是,空间特征分析显示癫痫患者的“表观正常”皮质与FCD邻近区域的空间特征高度相似,而在尸检对照中未发现这些变化,提示这可能反映了未被常规组织学捕获的细微皮质异常或慢性癫痫活动的继发改变。若经大样本验证,该方法有望为FCD提供客观诊断依据,提高MRI阴性病例的诊断效能,并有助于研究致痫区超出核心病灶的假说。研究结论翻译如下:总结而言,研究人员基于AI量化的神经元细胞形态计量和空间分布特征,开发了一个FCD组织形态分类器。该模型在训练和测试集中表现出有希望的性能,表明该方法具有临床应用的潜力。此外,最具判别力的特征分析揭示了组织学亚区域间的趋势,这些趋势在进一步研究中可能与FCD的潜在生物学相关。随着在更大、更多样化队列中的不断改进和验证,该方法最终可能提高癫痫手术神经病理学评估的诊断精度和预后价值。
相关新闻
生物通微信公众号
微信
新浪微博

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