《PLOS One》:Conditional spatial classification of expert-confirmed interictal epileptiform discharge epochs: An EEG-ECG ablation and SHAP analysis
编辑推荐:
发作间期癫痫样放电(IED)是具有诊断意义的脑电图(EEG)异常,但在一个时段已被确认为包含IED之后,一个独立的方法学问题仍然存在:其头皮分布能否被归入预定义的类别,以及常规同步记录的辅助通道是否会改变这种分类。本研究利用2,514个经专家确认的四秒IED时
发作间期癫痫样放电(IED)是具有诊断意义的脑电图(EEG)异常,但在一个时段已被确认为包含IED之后,一个独立的方法学问题仍然存在:其头皮分布能否被归入预定义的类别,以及常规同步记录的辅助通道是否会改变这种分类。本研究利用2,514个经专家确认的四秒IED时段(标记为广泛性、额叶、颞叶、枕叶或中央-顶叶)评估了这一条件性五分类任务。研究采用完全相同的分层时段级划分、仅训练集SMOTE过采样、每个纳入通道26个手工特征以及多种机器学习分类器,进行了分阶段通道消融比较,涵盖19通道头皮EEG、含两个ECG通道的21通道EEG,以及包含头皮EEG、参考通道、ECG和EMG通道的完整29通道输入。线性判别分析(LDA)在仅EEG条件下取得了最佳测试准确率(88.89%),而CatBoost在EEG联合ECG信号下达到93.25%,在完整通道下达到94.44%。所有八个可直接比较的分类器在加入ECG后均显示出数值上更高的测试准确率,尽管这些差异仅为描述性结果,未进行正式的配对显著性检验。SHAP分析识别了影响拟合模型的关键通道-特征变量,与性能消融形成互补。在EEG联合ECG的CatBoost模型中,ECG通道RA和LA分别贡献了15.79%和15.12%的归一化全局归因,而β频带功率是最重要的特征族,占18.76%。因此,本研究对专家确认的IED时段内的下游空间分类和辅助通道依赖性提供了受控分析。研究结果不确立生理学定位、未见患者泛化能力或经临床验证的ECG生物标志物。
论文解读
一、研究背景与目的
癫痫是一种以反复无诱发性发作为特征的神经系统疾病,源于异常神经元活动。脑电图(EEG)是临床评估的核心工具,能够记录大脑电活动并揭示发作间期癫痫样放电(IED)。除IED的存在外,其形态学和头皮分布对电临床描述和标注具有重要价值,但头皮分布标签不应等同于源定位、发作起始区或致痫区。
在源数据集中,专家确认的IED被组织为五个预定义的头皮分布类别:广泛性、额叶、颞叶、枕叶和中央-顶叶。一旦时段已被确认包含IED,分配此类分布标签便成为一个独立的下游分类问题。研究这一条件性任务具有方法学价值,因为它将专家定义的空间类别之间的判别与判断IED是否存在这一独立问题分离开来,可为下游标注提供受控基准,并检验所记录通道组对标签分离的贡献。
IED检测与条件性空间分类回答的是不同问题。检测评估的是未选择的EEG在存在非IED背景、伪迹和类IED瞬态时是否包含IED,而本分析仅在专家确认IED存在后开始,询问已确认时段如何在五个头皮分布标签中被分类。该限定设计有意保持检测决策恒定,以便在IED阳性子集内检验通道集和模型效应。
机器学习为此任务提供了实用分析框架,因为每个时段由数百个通道维度的时域、频域和非线性描述符表示,从这些变量到五个标签的映射可能是多变量且依赖模型的。在相同数据划分下评估多种分类器家族,可以检验条件性类别是否可从手工特征表示中分离,以及观察到的通道集效应是否在不同建模假设下保持一致。研究目的不是替代专家IED检测,而是在专家标注后评估高维下游分类问题。
源记录包含头皮EEG以及参考通道、心电图(ECG)和肌电图(EMG)通道。ECG被纳入评估,因为它是一种同步记录的辅助模态,可在不改变IED标签或头皮EEG通道的情况下添加。EEG与EEG联合ECG的比较提出了一个聚焦的消融问题:当两个ECG通道可用时,拟合分类器是否获得额外的判别信息。该检验不假设任何增益是自主神经性的或具有生理学定位意义,而是帮助确定模型是否依赖头皮EEG之外的信息,并强调在解释多模态模型时需要考虑患者、状态或记录特异性结构。后续的完整输入比较联合添加了四个参考通道和四个EMG通道,因此无法分离各自的独立效应。
SHapley Additive exPlanations(SHAP)被纳入以回答与通道消融互补的问题。消融量化了添加通道组时预测性能是否变化,而SHAP识别拟合模型使用哪些通道-特征变量产生输出。由于SHAP重要性依赖于数据集、特征表示、模型和目标,所得归因仅被解释为模型特定的预测贡献,而非生理学生物标志物、因果机制或临床定位证据。这一谨慎态度对ECG和EMG变量尤为重要,因为这些变量可能反映患者身份、睡眠-觉醒状态、记录条件、运动、污染或其他数据集特异性结构。
据此,本研究旨在:(1)评估使用通用手工特征表示时,专家确认的IED时段能否在五个预定义头皮分布类别中被分离;(2)在完全相同的时段级划分下比较多种机器学习分类器;(3)量化将两个ECG通道添加到19通道头皮EEG时的描述性性能变化;(4)使用完整29通道输入与EEG联合ECG进行比较;(5)利用SHAP刻画模型对特定通道和特征的依赖性,同时明确将生理学和临床主张排除在分析范围之外。
二、关键技术与方法
研究人员采用条件性空间分类流程,仅限专家确认的IED时段,涵盖五个预定义类别。研究使用北京协和医学院癫痫中心提供的公开数据集,包含84名参与者的记录,其中52份记录含至少一个专家确认的IED,32份为正常EEG。每名参与者贡献20分钟记录,共28小时。源数据集包含22,933个未标记为IED的四秒时段和2,516个标记为IED的四秒时段,质量控制后保留2,514个专家确认的IED时段。
预处理包括线性去趋势、50 Hz和100 Hz陷波滤波、0.5至40 Hz带通滤波。使用稳健对数方差离群值和低通道间相关性的复合标准识别噪声或缺陷通道,坏通道从邻近通道插值。仅对EEG通道使用独立成分分析去除眼动伪迹,同时保留ECG和EMG信号,随后所有头皮EEG通道重参考至公共平均参考。
特征提取方面,对每个保留的四秒时段,对每个纳入通道独立计算26个手工描述符,分为时域特征(均值、中位数、标准差、偏度、峰度、峰峰值幅度、波形长度、斜率符号变化、Hjorth移动性和Hjorth复杂度)、频域特征(基于Welch功率谱密度估计的各频带绝对功率:delta 0.5–4 Hz、theta 4–8 Hz、alpha 8–13 Hz、beta 13–30 Hz及各频带功率比、峰值频率和中值频率)和非线性特征(近似熵、样本熵、排列熵、谱熵、相关维数、去趋势波动分析和Hurst指数)。三种主要特征矩阵为:19个头皮EEG通道(494个变量)、19个头皮EEG加两个ECG通道(546个变量)、完整29通道(754个变量)。
数据划分采用分层80:10:10时段级分割,包含2,011个训练时段、251个验证时段和252个测试时段,非患者分离。SMOTE仅应用于训练子集以减少五类不平衡,验证和测试集不重采样。评估的分类器包括XGBoost、LightGBM、CatBoost、多项逻辑回归、线性判别分析(LDA)、决策树、极端随机树、随机森林和支持向量机(SVM)。超参数使用验证集选择,最终性能在测试集上报告。SHAP全局重要性计算为测试时段和输出类别上平均绝对SHAP值的归一化百分比。
三、研究结果
全通道性能结果。 对于完整29通道配置,CatBoost取得了最高测试准确率(94.44%)和宏平均F1分数(94.44%)。其类别特异性F1分数为:广泛性0.965、额叶0.903、颞叶0.943、枕叶0.951、中央-顶叶0.960。这些数值量化了专家确认IED时段内的条件性分类,而非IED检测指标。
通道消融结果。 添加ECG后,所有八个在三种主要配置中评估的分类器均获得数值上更高的测试准确率。CatBoost从仅EEG的86.90%增加到EEG联合ECG的93.25%,描述性差异为6.35个百分点。完整29通道CatBoost结果为94.44%,进一步描述性增加1.19个百分点。完整配置在六个分类器中超过EEG联合ECG,而LDA和决策树在EEG联合ECG下表现更好。由于未进行配对推断检验,这些差异不被视为统计显著改进。相对仅EEG的CatBoost,EEG联合ECG在广泛性、额叶、颞叶、枕叶和中央-顶叶类别均获得更高F1分数。完整配置在广泛性、颞叶和枕叶类别取得最高F1分数,EEG联合ECG在中央-顶叶类别取得最高F1分数,额叶F1在两个含ECG配置中均为0.903。
EEG联合ECG的SHAP分析结果。 在EEG联合ECG的CatBoost模型中,ECG RA和ECG LA分别获得15.79%和15.12%的归一化全局SHAP归因,合计占该特征集的30.90%。β频带功率是领先的特征族(18.76%),其次是峰峰值幅度(9.72%)、theta功率(8.08%)、alpha-beta比(7.98%)和alpha功率(7.28%)。两个ECG通道获得大量归一化归因,表明拟合分类器在分离五个专家分配标签时使用了ECG衍生变量。该归因模式不证明临床意义的发作间期生物标志物或自主神经定位信号,患者身份、心脏形态、睡眠-觉醒状态、记录条件、运动、污染和其他数据集特异性结构仍是合理的替代解释。
SHAP特征重要性分析结果。 在完整通道模型中,谱功率和波形形态变量频繁获得高归因。β功率和峰峰值幅度在多个基于树的分类器中突出。在完整配置中,ECG RA和ECG LA在多个分类器中获得高归因,而头皮EEG通道包括Fz、F8和Fp1也有贡献。在仅EEG的CatBoost中,β功率贡献了17.93%的归一化特征族归因,最主导的通道为Fz(12.18%)、F3(10.74%)、Fp1(9.06%)和F8(8.34%)。在EEG联合ECG的CatBoost中,β功率排名为18.76%,而ECG RA和ECG LA是两个排名最高的通道。
四、讨论与结论
讨论部分总结。 本研究的主要方法学贡献在于受控分离了三个常被混淆的问题:IED检测、下游空间分类和辅助通道依赖性的解释。通过专家标注固定IED存在,分析隔离了五个头皮分布标签之间的判别。通过在不同通道集间保持时段、特征提取、划分、训练策略和分类器流程恒定,消融询问了使额外记录模态可用是否改变内部分类。CatBoost测试准确率在仅EEG下为86.90%,EEG联合ECG下为93.25%,完整29通道输入下为94.44%。与添加ECG相关的数值增加大于CatBoost后续添加剩余通道的增加,但该模式依赖分类器。LDA和决策树在EEG联合ECG通道下表现优于完整通道集。由于无配对置信区间或假设检验,这些差异是描述性的。SHAP分析表明,性能消融与模型归因提供了两个不同的描述性视角:消融显示ECG可用性与八个可比较分类器更高的固定划分准确率一致,SHAP显示拟合模型对ECG衍生变量分配了可观的预测归因。两个结果均不确立因果自主神经机制或统计验证的模态益处。
局限性包括:仅分析专家确认的IED时段,不评估IED检测、特异性、假阳性减少、伪迹拒绝或临床筛查;时段级划分非患者分离,参与者重叠可能允许模型利用患者或记录特异性信息;配置差异为描述性,未保留配对预测输出进行正式假设检验;未在此数据集上重新实现先前已发表方法;完整配置联合添加参考和EMG通道,无法独立确定EMG效应;对EEG和ECG使用相同的模态无关描述符库以保持受控消融;空间信息通过通道特定特征名称隐式表示,而非显式电极几何或地形图;SHAP归因是模型特定的关联,不确立生理学生物标志物或因果机制。
结论翻译。 本研究证明,专家确认的IED时段的条件性五类分类在所评估数据集和固定时段级划分内是一个可分离的下游机器学习问题。受控通道消融显示,在头皮EEG中添加ECG后,所有八个可直接比较的分类器均获得数值上更高的测试准确率;CatBoost从仅EEG的86.90%增加到EEG联合ECG的93.25%和完整29通道输入的94.44%。SHAP分析进一步表明,拟合的含ECG模型将大量归因置于ECG衍生变量上,有助于解释模型如何使用添加的模态。这些发现为研究条件性IED分类中的辅助通道依赖性建立了方法学基础,但性能差异是描述性的而非统计显著的,且未进行与先前方法的直接基准比较。在评估未见患者或临床实用性之前,需要进行患者分离验证、配对推断检验、直接基准比较以及包含非IED时段的评估。