通过在机器学习框架中结合发作间期生物标志物来预测难治性癫痫的手术结局

这项研究对有癫痫儿童家庭的意义

对于药物无法控制发作的儿童，脑外科手术可能带来无癫痫发作的希望。然而外科医生必须做出关键决定：在尽量保留健康组织的同时切除哪些微小脑区。该研究探讨了计算算法如何筛选发作间期的常规脑电记录，以更好地指导这一决策并帮助预测哪些儿童最可能从手术中获益。

在发作间期寻找线索

传统上，医生依赖发作期间记录的脑活动来估计癫痫灶，即被认为触发发作的区域。然而要捕捉足够多的发作可能需要数天的监测，并且仍可能遗漏关键区域。作者转而关注发作间期数据，即在没有发作时记录到的电信号。这些安静间隔中包含短暂的异常事件，称为棘波和涟漪，可能提示发作起始处，但单一类型常常过于不精确，难以指导手术。研究团队旨在评估是否将棘波与涟漪的多种属性与机器学习结合，能够使这一图景更清晰。

将复杂的脑信号转化为可用特征

研究者分析了62例接受侵入性监测并患有药物难治性局灶性癫痫的儿童和青少年的大脑记录。所有患者均至少有五分钟的干净发作间期数据，并在术后至少随访一年。自动检测器首先扫描记录以识别棘波和涟漪。对于每个电极，团队随后测量这些事件发生的频率、强度、在邻近电极间的扩散情况，以及每个接触点与事件起始点和热点的距离。总体上，他们创建了一组时间、频谱和空间特征，描述局部兴奋性以及异常活动如何在大脑中传播。

在成功手术数据上训练机器

为教会系统何为真正的癫痫发生组织，作者仅使用术后成为无癫痫发作的患者数据。对于这些儿童，被切除或消融的组织很可能包含关键的发作发生区。每个位于切除范围内的电极被标注为癫痫发生性，范围外的则标注为非癫痫发生性。利用这些标签，团队对三类不同输入训练了随机森林分类器（一种机器学习模型）：仅基于棘波特征、仅基于涟漪特征、或结合所有棘波与涟漪特征。模型学习区分癫痫发生性接触点与其他接触点的模式，并为每位患者生成预测的癫痫灶。

模型与实际手术的匹配程度

测试时，基于棘波特征的模型以及结合棘波与涟漪特征的模型表现最佳。它们能以较高的准确率将癫痫发生性接触点与非癫痫发生性接触点区分开来，其预测的灶与术后在无癫痫发作患者中实际切除区约有四分之三的重叠。相比之下，大多数单一测量（例如仅棘波率）可靠性较低。一个重要发现是棘波的精确空间分布，尤其是电极与最早或最强活动的接近程度，提供的信息比事件计数更丰富。涟漪特征对棘波之外仅带来适度增益，可能因为涟漪也会出现在健康脑区。

将预测与真实结局连接起来

团队接着提出一个实用问题：如果预测的癫痫灶中至少有一半位于外科切除的组织内，患者是否倾向于取得良好结果？使用结合特征的模型，这一简单规则以88%的敏感性和68%的特异性识别出术后无癫痫发作的儿童，优于专家定义的传统发作起始区。在持续发作的患者中，预测灶常部分或大部分位于未被切除的区域之外，提示重要的癫痫发生组织被遗漏或无法安全切除。

这对未来癫痫治疗的可能意义

对于面临癫痫手术的家庭而言，这项工作表明，发作间的几分钟脑记录将来可能帮助外科医生更精确地规划手术并估计成功机率。尽管该方法仍需在更大且更均质的患者群中进行前瞻性验证，但研究表明，将多种微妙的脑活动特征与机器学习相结合，可以更清晰、更客观地呈现发作起源位置以及手术对这些区域的覆盖程度。

引用: Partamian, H., Jahromi, S., Perry, M.S. et al. Predicting surgical outcome in drug-resistant epilepsy by combining interictal biomarkers within a machine learning framework. Sci Rep 16, 15166 (2026). https://doi.org/10.1038/s41598-026-45177-x

关键词: 癫痫手术, 发作间期脑电图, 机器学习, 儿科癫痫, 癫痫灶