JNNP:使用扩散成像预测颞叶癫痫手术结果
2022-04-03 网络 网络
癫痫是50岁以上患者最常见的致残性神经系统疾病之一。颞叶癫痫(TLE)是最常见的局灶性癫痫,尽管服用抗癫痫药物进行治疗,但仍有约30%-40%的患者持续出现衰弱性癫痫发作。
癫痫是50岁以上患者最常见的致残性神经系统疾病之一。 颞叶癫痫(TLE)是最常见的局灶性癫痫,尽管服用抗癫痫药物进行治疗,但仍有约30%-40%的患者持续出现衰弱性癫痫发作。癫痫手术可以通过切除、切除或神经刺激产生癫痫的区域,消除或显著减少许多TLE患者的癫痫发作。不幸的是,在接受癫痫手术的患者中,约有33%-50%的患者术后出现持续性致残性癫痫发作。导致癫痫手术失败的一个重要因素是治疗前癫痫发作发作区的不准确或不完全侧化和定位。评估TLE的标准无创术前技术依赖于头皮脑电图(EEG)、T1/T2加权MRI、正电子发射断层扫描、单光子发射CT、功能性MRI和脑磁图的组合。然而,这些方式往往不足以自信地进行侧化(即,哪个大脑半球负责癫痫发作的产生)和定位致痫性。因此,经常进行有创性颅内脑电图(iEEG)监测。在这些长时间且不舒服的住院患者iEEG监测过程中,多达10%可能会发生不良事件,癫痫可能根本不会发生。因此,许多研究小组寻求其他非侵入性方法,以帮助减少侵入性监测的需要,并改善TLE的术前评估。
许多研究人员利用机器学习(又称人工智能)利用从非侵入性模式中收集的信息来解决癫痫病学中存在的问题。一些流行的应用包括通过EEG预测癫痫发作的发生或通过MRI T1成像检测病变。机器学习模型的开发人员必须非常谨慎,避免过度拟合自己的数据集。过度拟合模型只会在单个数据集上给出准确的预测,并且在应用于新数据集时会给出错误的结果。当仔细地应用于适当提出的问题时,机器学习有可能有意义地增强临床决策。考虑到这些因素,最近有人尝试使用扩散加权成像(DWI)指标和机器学习来预测TLE的存在、发作时的左侧或右侧癫痫以及手术结果。DWI模型可能会增强之前提出的仅依赖分类临床变量的模型。需要更多的工作来提高模型的准确性,增强williamhill asia 对TLE的生物学理解。此外,在TLE的术前评估中纳入广泛重要临床分类的统一技术将对临床医生非常有用,并有助于避免不必要的颅内监测。在DWI衍生的全脑结构连通性(SC)和分数各向异性(FA)指标上使用联合独立分量分析(ICA)特征提取的监督机器学习技术,可以用于识别TLE的存在,分类TLE偏侧性和预测手术结果。此外,通过降低衍生特征的维数和重新评估模型性能来提高技术的可解释性。通过这项工作, 旨在利用DWI衍生的预测模型来增强现有的TLE术前评估。本文发表在《神经病学,神经外科学和精神病学杂志》上( )。
分析中纳入了151名受试者(62名TLE患者和89名健康对照)。TLE的诊断由医疗中心的标准多学科过程确定,包括癫痫学家、神经外科医生和神经心理学家。该过程包括分析患者病史、癫痫症状学、视频EEG、MRI、正电子发射断层扫描、通过功能性MRI或Wada和神经心理学测试进行记忆/语言定位。获得了高角度分辨率扩散成像,使用名为PreQual的软件对DWI数据进行预处理。使用MRTrix3进行概率纤维束造影。使用FreeSurfer将每个T1图像分割成84个基于Desikan Killiany(DK)图谱的感兴趣区域(ROI)分割。创建了一种有监督的机器学习技术,该技术使用扩散加权指标对主题组进行分类。具体来说,试图将患者与健康对照组、单侧颞叶癫痫与双侧颞叶癫痫、左侧颞叶癫痫与右侧颞叶癫痫以及无癫痫与无癫痫手术结果进行分类。然后,为了便于解释,使用社区检测来降低衍生特征的维数。使用了五倍交叉验证,其中70%的数据集用于模型训练,20%用作模型训练终止的验证集,以防止过度拟合,10%完全保留的数据用作每个交叉折叠的测试集。williamhill asia 报告了每个二元决策组的五个交叉折叠的训练、验证和测试数据集的结果。试图评估现有手术结果预测工具的性能。williamhill asia 将左侧和右侧TLE患者组合并进行分析(n=55),排除双侧发病患者(n=7)。
用于TLE诊断和预后的二叉决策树
使用完全保留的测试数据集,该技术分类为TLE患者与健康对照组的AUC为0.745,单侧与双侧发作(小样本量)的AUC为1.000,左侧与右侧发作的AUC为0.662,左侧SF与非SF手术结果的AUC为0.800,右侧SF与非SF手术结果的AUC为0.775。为了评估MTS对手术结果预测的影响,williamhill asia 进行了一项事后子分析,结果显示,在左TLE手术(t检验p=0.064)或右TLE手术(t检验p=0.3134)中,有MTS的患者与没有MTS的患者在负荷(即原始预测值)方面没有显著差异。这些事后结果表明,异质性训练集导致了高分类准确率,在标准术前检查期间,在MRI上对MTS的识别中具有普遍性。在保留的测试数据集中对受试者组进行了分类,在受试者操作特征曲线下,患者与健康对照组的交叉折叠平均测试面积为0.745,单侧与双侧发作的交叉折叠平均测试面积为1.000。
解码网络预测颞叶癫痫(TLE)
先进的神经影像分析可以有效地用于增强当前临床驱动的预测模型。如果预测患者单侧手术切除后发生SF的几率很高,则采用DWI增强临床决策树可以建议患者直接进行手术,从而减少对颅内监测的需求。本文的方法确定了TLE患者与中等准确度的对照组、偏侧性和中等-高准确度的手术结果,可以补充临床决策并帮助指导患者咨询。区分TLE患者与对照组的重要SC连接是左右脑结构的组合。值得注意的是左侧岛叶、许多左侧脑深部结构、右侧扣带回和右侧额叶上、中、下回。对这一不对称发现的一种解释是,左、右和双侧TLE患者可能并不存在对称性疾病。解码子网络中最强的SC预测因子位于右侧尾侧额叶中回至左侧基底神经节和左侧岛叶之间。患者还包括来自左侧丘脑的SC连接增强。患者在这些区域之间的平均SC值要高得多。这些发现的一个可能的综合结果是,在涉及基底节和丘脑皮质网络的已知癫痫发作传播途径中,患者可能具有增强的结构联系。这个解码子网络中明显缺少边缘结构,如海马、杏仁核和眶额区,它们在TLE中有充分的病理记录。对这一发现的一种可能解释是,患者的边缘结构可能存在强烈的病理异质性,因为左、右和双侧TLE患者都被分组在一起。这种技术的预测能力可以通过将这个决定分为对照组与左侧、对照组与右侧和对照组与双侧TLE来提高。
该技术通过生成清晰的白质特征,对颞叶癫痫术前检查中的重要临床决策进行分类。这项工作通过进一步阐明颞叶癫痫中重要的白质病理学,增强了该领域现有的网络连通性发现。目的是利用扩散成像来增强这种毁灭性神经疾病的术前检查。
本网站所有内容来源注明为“williamhill asia 医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于williamhill asia 医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“williamhill asia 医学”。其它来源的文章系转载文章,或“williamhill asia 号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与williamhill asia 联系,williamhill asia 将立即进行删除处理。
在此留言
#癫痫手术#
81
#颞叶癫痫#
82