新模型精准 “捕捉” MRI 阴性颞叶癫痫，改写诊断格局

为解决 MRI 阴性颞叶癫痫（NTLE）诊断难题，河北工业大学的研究人员构建特定功能连接（FC）模型开展研究。结果显示该模型能有效筛选生物标志物，分类准确率近 93%。推荐阅读，一同探索其创新成果123。

　　

在医学的神秘世界里，有一种疾病如同隐藏在黑暗中的幽灵，让医生们头疼不已，它就是 MRI 阴性颞叶癫痫（NTLE）。NTLE 属于内侧颞叶癫痫（mTLE）的一种，可别小瞧了它，mTLE 可是一种会在大脑深处搞破坏，引发神经异常放电的疾病，它会干扰中枢系统的功能网络，严重时甚至波及整个大脑功能网络。在 mTLE 的大家族中，约 60% 是 MRI 阳性颞叶癫痫（PTLE） ，通过结构 MRI 检查，能清楚地看到像海马硬化这样典型的病变指标。但剩下约 30% 的 NTLE 就没这么 “老实” 了，它在结构 MRI 上没有明显的病变迹象，组织病理学检查可能基本正常，或者只是显示海马神经元有轻微缺失，颞叶新皮质也只是存在细微的分层异常。

从症状上看，NTLE 和 PTLE 很相似，这就好比两个长得很像的双胞胎，让人难以分辨。可别小看这个 “难以分辨”，它带来的麻烦可不少。因为难以精准定位 NTLE 的功能性异常病变，医生在诊断和治疗时就像在黑暗中摸索，找不到准确的方向。这不仅增加了患者的痛苦，也给医学研究带来了巨大的挑战。所以，找到一种能精准检测 NTLE 功能性异常病变的方法，成了医学领域亟待解决的问题。

为了攻克这个难题，河北工业大学的研究人员展开了一场与疾病的 “较量”。他们的研究成果发表在了《Heliyon》期刊上，论文题目是《A specific model of resting-state functional brain network in MRI-negative temporal lobe epilepsy》 。经过一系列艰苦的研究，他们成功构建了一种基于网络层面的特定功能连接（FC）模型 ，这个模型就像是一个 “智能探测器”，能够有效地筛选出 NTLE 独特的功能成像标记物，为 NTLE 的精准检测和临床辅助诊断提供了新的方向。这一成果的意义重大，就像是在黑暗中为医生们点亮了一盏明灯，让他们在诊断和治疗 NTLE 时更有把握。

在这场与疾病的 “较量” 中，研究人员使用了多种关键技术方法。首先是数据采集，他们从南京大学医学院金陵医院收集了 20 名 NTLE 患者和 60 名健康人的静息态功能磁共振成像（rfMRI）数据，这些数据就像是解开疾病谜题的 “钥匙”。接着，研究人员对 rfMRI 数据进行预处理，去除一些干扰因素，让数据更加准确可靠。之后，他们利用复杂网络理论，基于图论构建功能脑网络，把大脑区域看作节点，区域之间的连接强度当作边，通过调整阈值构建不同稀疏度的网络 。同时，还计算了网络的拓扑属性，比如介数中心性（BC）、度中心性（DC）、聚类系数（CC）和节点效率（NE）等。为了突出新模型的优势，他们还构建了传统的 Pearson 相关 FC 模型进行对比。最后，使用支持向量机（SVM）进行分类，并通过 10 折交叉验证和留出法来验证分类效果。

研究人员经过多方面的研究，得到了一系列重要结果：

3.1 特定生物标志物区域

研究人员通过新构建的网络层面特定 FC 模型，在 NTLE 患者和健康人之间进行特征提取。经过 ROC 敏感性分析、KCC 和 t 检验这三种算法，发现了 11 个对 NTLE 有重要指示意义的功能生物标志物区域，包括额叶、颞叶、顶叶、海马体和枕叶等区域的一些脑区。这些区域就像是隐藏在大脑中的 “信号塔”，一旦出现异常，就可能暗示着 NTLE 的存在。相比之下，传统的 Pearson 相关 FC 模型只能提取出 9 个显著脑区，而且从各项指标来看，新模型的判别能力更强。就好比新模型是一个高倍显微镜，能看到更细微、更关键的病变信息，而传统模型则像一个普通放大镜，能发现的信息有限。

研究人员还对这些生物标志物区域进行了聚类分析。结果发现，通过新模型得到的特定感兴趣区域（ROI）的标准化特定指数（SSI）值，能明显区分 NTLE 患者和健康人，聚类效果非常好。但传统 FC 模型的聚类能力就比较弱，无法像新模型那样清晰地将两者区分开来。这就好比新模型是一个精准的分类器，能把不同的样本准确分类，而传统模型则像是一个不太精准的分拣员，分类效果不太理想。

3.2 分类和验证

为了检验新模型和传统模型的效果，研究人员使用 SVM 进行分类验证。通过构建特定的 NTLE 分类器，对 NTLE 患者和健康人进行分类。结果显示，新的网络层面特定 FC 模型的分类准确率高达 93.80%（10 折交叉验证）和 93.46%（留出法） ，而传统的 Pearson 相关 FC 模型的分类准确率只有 87.50%（10 折交叉验证）和 86.88%（留出法） 。这组数据就像是一场比赛的比分，新模型以明显的优势战胜了传统模型，充分展示了新模型在区分 NTLE 患者和健康人方面的强大能力。

研究人员在讨论部分对整个研究进行了深入思考。新构建的网络层面特定 FC 模型，把健康人的 FC 作为参照，在多个功能网络指标融合的基础上建立起来。它就像一个 “智能筛选器”，能够有效地为 NTLE 提取出独特的生物标志物区域。通过和传统模型对比，新模型在分类性能上表现得更加出色和稳定，特别是在提取独特特征方面，优势十分明显。而且，研究人员使用了三种特征提取算法进行降维，这就像是给信息做了一次 “大扫除”，有效地去除了网络层面的冗余特征，避免了对单一算法的依赖，这也是新模型分类稳定性高的重要原因。

通过这个模型，研究人员还发现 NTLE 的特定 ROI 主要集中在海马体、枕叶、额叶、颞叶和顶叶这些区域。这些区域在以往的癫痫研究中就是重要的 “嫌疑对象”，和癫痫的发生、发展有着密切的关系。比如海马体，它是癫痫发作潜在网络中的重要区域，和学习、情景记忆等高级认知功能有关；枕叶的局部脑回异常和癫痫患者的认知障碍有关；颞叶有着复杂而高级的记忆功能；额叶中央前回是运动中心，出现病变会导致对侧肢体抽搐或瘫痪；顶叶则和癫痫患者的肢体异常运动紧密相关。这次研究进一步揭示了颞叶癫痫在脑区层面的功能破坏情况，为未来的诊断和治疗提供了新的思路。

当然，这项研究也存在一些局限性。由于样本数量比较小，研究人员采用了多种方法来减少误差，但如果样本量足够大，或许可以尝试更先进的机器学习方法，甚至是深度学习方法。目前的 MRI 技术在检测 NTLE 时还存在不足，即使是高场强的 MRI，也无法完全检测出所有的病变。而且，研究目前主要集中在 NTLE 患者，未来还需要对其他类型的癫痫患者进行研究，同时收集 PTLE 患者的数据，进一步探究结构损伤对癫痫的影响。

总的来说，河北工业大学研究人员的这项研究成果意义非凡。他们构建的网络层面特定 FC 模型，为 NTLE 的研究开辟了新的道路。通过这个模型，不仅能够更精准地检测出 NTLE 的功能生物标志物，还为临床机器辅助诊断提供了有力的支持。虽然研究还有一些需要完善的地方，但它就像一颗种子，为未来癫痫研究的发展播下了希望，相信在科研人员的不断努力下，癫痫的诊断和治疗将会取得更大的突破，让更多患者受益。