编辑推荐：
研究人员针对耐药性癫痫（DRE）患者癫痫灶定位难题开展研究，利用机器学习分析脑电数据，精准预测手术结果，意义重大。
耐药性癫痫，这一神经系统顽疾，如同隐藏在大脑深处的 “定时炸弹”，时刻威胁着患者的健康和生活质量。对于患有局灶性耐药性癫痫（DRE）的患者而言，神经外科手术是目前最佳的治疗选择，理论上能让高达 60% 的患者摆脱癫痫发作的困扰。然而，手术成功的关键在于精准且准确地描绘出癫痫发作的 “策源地”—— 癫痫灶（EZ）。
遗憾的是，癫痫灶目前只是一个理论概念，在手术切除前，其确切位置难以确定。即便手术成功，被切除的区域也可能大于实际的癫痫灶范围。当前，并没有直接描绘癫痫灶的方法，只能通过一些诊断测试间接定义，而这些测试结果往往不明确或不一致。目前，癫痫发作起始区（SOZ）被用作癫痫灶的最佳近似区域，但切除 SOZ 并不总能预测手术的良好结果。而且，癫痫发作可能需要数天甚至数周才会出现，这不仅延长了侵入性记录的时间，还耗费了大量的人力和财力资源。此外，现有的癫痫灶间期生物标志物，如癫痫样放电（IEDs）和涟漪，虽然能在一定程度上反映癫痫的存在，但它们缺乏特异性，无法准确界定癫痫灶，且人工识别这些标志物既容易出错又存在偏差。
在这样的背景下，来自美国多个研究机构（包括 Cook Children’s Health Care System、The University of Texas at Arlington 等）的研究人员 Hmayag Partamian、Saeed Jahromi 等，开展了一项旨在利用人工智能技术解决耐药性癫痫手术难题的研究。他们的研究成果发表在《npj Digital Medicine》上，为耐药性癫痫的治疗带来了新的曙光。
为开展此项研究，研究人员采用了多种关键技术方法。首先，收集了 43 例儿童和年轻成人 DRE 患者的临床资料，包括术前术后的 MRI、CT 扫描以及发作间期颅内脑电图（iEEG）数据。然后，运用动态信号分解（DSD）和非负矩阵分解（NNMF）等无监督机器学习方法，将多模态脑成像数据转化为可解释的时空图谱，构建出脑网络和相应的时间图谱。
研究结果主要包括以下几个方面：
- 患者队列：回顾性分析 43 例患者数据，患者年龄、性别、植入电极类型等在不同手术结果组间无显著差异。患者中位手术年龄 13 岁，中位癫痫发作起始年龄 4 岁，中位诊断至手术时间 8 年1。
- 脑网络和时间图谱构建：通过 DSD 和 NNMF，将 iEEG 数据转化为脑网络和时间图谱。研究发现，癫痫灶间期癫痫网络（IEN）在检测 IEDs 和涟漪方面表现更优，且该网络具有空间稳定性，并非由数据随机波动产生23。
- IEN 与 EZ 的关系：在预后良好的患者中，IEN 在切除区域和 SOZ 内的功率更高，且具有更高的聚焦性、更大的切除区域重叠率和更短的切除距离。相比整个网络，IEN 在界定 EZ 方面更精准，能以更高的精度和 AUC 值预测切除区域和 SOZ45。
- IEN 的稳健性：IEN 在不同 IEDs 频率和植入类型的数据中均表现稳健，其预测切除区域和 SOZ 的能力不受影响67。
- IEN 预测手术结果：利用 IEN 的聚焦性、重叠率和切除距离等属性训练支持向量机（SVM），结果显示 IEN 在多个频段具有预测手术结果的能力，且在 θ 频段表现最佳，优于整个网络。通过特征重要性分析发现，θ 频段的 IEN 属性对预测结果最为重要89。
研究结论和讨论部分指出，该研究提出的患者特异性框架，能从发作间期 iEEG 数据中提取 IEN，精准界定 EZ 并预测手术结果。该框架具有自动化的优势，可减少术后预处理成本和时间，降低术前评估风险，尤其适用于缺乏多学科专业知识的癫痫中心。然而，研究也存在一定的局限性，如数据来自单中心、分析数据段较短、缺乏 IEDs 缺失的患者数据等。未来，需要更大规模的多中心前瞻性研究，以进一步验证该框架在临床中的适用性。但不可否认的是，这项研究为耐药性癫痫的治疗开辟了新的方向，有望在未来显著改善患者的治疗效果和生活质量。
