《Brain Research Bulletin》:Altered degree centrality and resting-state functional connectivity in epilepsy patients with focal to bilateral tonic-clonic seizures
编辑推荐:
本研究聚焦于一种严重的癫痫发作形式——“局灶性进展为双侧强直-阵挛性发作(FBTCS)”,旨在阐明其背后的静息态脑网络异常,并利用机器学习进行个体化识别。研究人员通过对比FBTCS+患者、FBTCS-患者和健康对照的静息态功能磁共振成像(rfMRI),发现FBTCS+患者的同侧颞极存在显著的度中心性(DC)升高,并与双侧颞叶及对侧舌回等功能连接增强。利用这些差异特征训练的机器学习模型能以约0.76的平均AUC区分两类患者。这项研究揭示了FBTCS特异性的脑网络变化,为理解其病理机制和个体化识别提供了新的影像学依据。
癫痫是一种常见的神经系统疾病,其中“局灶性进展为双侧强直-阵挛性发作”(Focal to Bilateral Tonic-Clonic Seizures, FBTCS)被认为是最严重的发作形式之一。超过70%的局灶性癫痫患者可能经历FBTCS。这种发作与癫痫猝死风险增高、药物抵抗、术后预后不佳及生活质量下降等多种不良事件密切相关。因此,控制FBTCS是临床和研究领域面临的重大挑战。然而,FBTCS背后的病理生理机制尚不完全清楚,也缺乏有效的独立风险因素来预测其发生。传统视频脑电图研究发现,发作早期的基本运动体征和意识丧失与FBTCS发生率较高相关。结构磁共振成像研究也在FBTCS患者中检测到杏仁核体积增大以及丘脑、大脑皮层广泛萎缩。尽管有研究提示功能性网络异常可能参与FBTCS的病理过程,但大多数研究仅以健康人作为对照,无法排除癫痫疾病本身及抗癫痫药物对大脑的混杂影响。同时,许多基于特定先验假设和预设脑区的研究,可能会遗漏其他脑区的信息并引入偏倚。为了更全面地揭示FBTCS相关的脑功能异常,并探索其在个体水平识别患者的潜力,本研究应运而生。
本研究由四川大学华西医院神经内科的研究团队完成。他们从2022年4月至2023年10月招募了癫痫患者,并根据国际抗癫痫联盟2017年标准,将扫描前1年内有活动性FBTCS的患者归为FBTCS+组,将从未经历过FBTCS的患者归为FBTCS-组。最终,共纳入84名FBTCS+患者、47名FBTCS-患者和81名匹配的健康对照。研究运用了静息态功能磁共振成像(rfMRI)技术,获取了T1加权像和rfMRI数据。数据处理和分析主要使用了DPARSF 5.4软件包。研究通过计算全脑体素的低频波动振幅(ALFF)、局部一致性(ReHo)和度中心性(DC)来评估大脑的自发神经活动强度、局部同步性及功能网络中的连接重要性。接着,在FBTCS+与FBTCS-组间存在显著差异的脑区设置种子点,进行全脑静息态功能连接(rs-FC)分析。最后,利用组间有显著差异的rfMRI指标作为特征,构建了四种经典机器学习模型(k-近邻算法、线性判别分析、逻辑回归、线性支持向量机),采用留一交叉验证策略,以评估这些指标在个体水平上区分FBTCS+与FBTCS-患者的能力。
3.1. 人口统计学和临床特征
FBTCS+、FBTCS-和健康对照三组在年龄和性别上没有显著差异。然而,FBTCS-患者的年发作频率显著高于FBTCS+患者。其他临床特征,如发病年龄、癫痫病程、癫痫侧化和抗癫痫药物数量,在两组患者间无显著差异。
3.2. ALFF、ReHo和DC在三组间的比较
与健康对照相比,FBTCS+和FBTCS-患者均表现出类似的双侧弥漫性ALFF、ReHo和DC异常,其中FBTCS+患者的异常范围更广、更显著。在FBTCS+和FBTCS-患者的直接比较中,仅在同侧颞极发现FBTCS+患者的DC显著高于FBTCS-患者,而两组间的ALFF和ReHo没有显著差异。在控制发作频率差异后,这一DC增高结果仍然存在。该颞极DC值与癫痫病程、发病年龄、发作频率、抗癫痫药物数量和FBTCS频率均无显著相关性。
3.3. FBTCS+组与FBTCS-组间的rs-FC比较
以组间存在显著DC差异的脑区(同侧颞极)为种子点进行全脑功能连接分析,结果显示,与FBTCS-组相比,FBTCS+组在同侧舌回、对侧上颞叶(两个簇)和对侧颞极的功能连接显著增强。控制发作频率差异后,这些功能连接差异的空间分布保持不变。这些功能连接值同样与各项临床特征无显著相关性。
3.4. 机器学习模型的分类性能
将上述发现的DC和rs-FC差异(共5个特征)作为输入特征,训练机器学习模型来区分FBTCS+和FBTCS-患者。四种分类器(k-NN、LDA、逻辑回归、线性SVM)均表现出稳定的性能,平均曲线下面积(AUC)为0.76。其中,线性SVM分类器取得了最佳性能,准确率为73.3%,灵敏度为79.8%,特异性为61.7%。
本研究全面评估了与FBTCS相关的静息态脑功能异常。研究发现,与FBTCS-患者和健康人相比,FBTCS+患者存在更广泛和显著的双侧ALFF、ReHo、DC异常,提示FBTCS可能对癫痫大脑造成额外的损伤。尤为重要的是,在两组患者的直接比较中,FBTCS+患者在同侧颞极表现出特异的DC增高,且该脑区与双侧颞叶及对侧舌回的功能连接增强,这为理解FBTCS的发作泛化机制提供了新的视角。颞极DC的增高提示该脑区在FBTCS患者的脑网络中扮演着功能“枢纽”的角色,而增强的颞叶-枕叶连接则可能代表了FBTCS发作传播的异常神经通路,如下纵束和前连合,这与先前研究发现的颞枕叶皮层白质网络拓扑属性破坏等结果相互印证。这些功能网络的特定变化,不仅深化了对FBTCS病理生理机制的认识,更重要的是,它们蕴含着个体层面的鉴别信息。利用这些差异特征构建的机器学习模型,能够以较高的灵敏度(约80%)在个体水平上区分是否伴有FBTCS的癫痫患者,为实现FBTCS的早期识别和风险分层提供了潜在的、无创的影像学生物标志物。尽管该研究的特异性有待进一步提高,且存在样本来源单一、药物影响、缺乏外部验证等局限性,但它无疑为未来开发基于多模态脑成像的精准诊疗工具,以改善这类严重癫痫患者的预后,奠定了重要的科学基础。