《Epilepsy Research》：Predicting Seizure-Free Outcomes in People with Treatment-Resistant Epilepsy: A Machine Learning Approach
編輯推薦：
癲癇手術預后預測研究基于IDEAS數據庫，利用機器學習模型分析腦區切除體積與術后5年癲癇無發作率（ILAE評分）的關系。隨機森林回歸模型表現最佳（MSE=1.82，R2=-0.57），但分類模型（準確率58.5%）仍顯不足。關鍵預測腦區包括 fusiform gyrus（管狀回）、superior temporal cortex（顳上回）和 insula（島葉）。
作者：Elham Moases Ghaffary、Gerald Wyckoff、Omid Mirmosayyeb
美國密蘇里州堪薩斯城密蘇里大學-堪薩斯城分校藥學院，藥理學與制藥科學系
摘要
背景
癲癇手術是治療難治性癲癇的重要手段，但目前尚無法準確預測患者術后長期無發作的概率。機器學習（ML）模型可以通過分析腦區切除對術后無發作情況的影響來提高預測準確性。本研究開發并驗證了基于腦區切除情況預測無發作年份的ML模型。
方法
我們分析了443名接受手術治療的難治性癲癇（DRE）患者的數據。研究利用了切除的神經結構與術后無發作結果之間的體積數據。我們使用切除的腦體積和5年隨訪結果開發并測試了監督式ML模型。首先，回歸模型（隨機森林、梯度提升、XGBoost）將5年ILAE評分（1-5分）作為有序變量，探討是否可以從切除模式中預測無發作持續時間。其次，分類模型（邏輯回歸、支持向量機和集成分類器）用于預測5年無發作情況（ILAE評分1-2分 vs 3-5分）。模型性能通過均方誤差（MSE）和R2值（回歸）以及準確率、敏感性、特異性和ROC-AUC值（分類）進行評估。此外，還應用了SHAP和LIME可解釋性技術來分析特征的重要性。
結果
隨機森林模型具有最一致的預測結果（MSE = 1.82，R2 = ?0.57），但其預測性能隨時間有所下降。分類模型能夠以58.5%的準確率區分無發作患者和有發作患者。
結論
影響癲癇發作結果的關鍵腦區包括梭狀回、顳上皮質和島葉。未來的研究應結合多模態生物標志物并進行外部驗證，以提高預測準確性。
引言
癲癇是最常見的神經系統疾病之一，全球有超過7000萬人受其影響（Baltos等人，2024年）。對于難治性癲癇患者，手術被認為是最有效的治療手段，可長期實現無發作或減少發作次數（Klein等人，2024年；Bala等人，2024年）。
然而，并非所有患者都能長期保持無發作狀態（Yu等人，2024年）。盡管在顳葉癲癇患者中，大約60%至70%的患者在五年或更長時間內無發作，但在顳葉外或非病變性癲癇患者中，長期隨訪仍可見復發情況（McIntosh等人，2004年；Tanriverdi等人，2008年6月）。Fong和De Tisi的研究顯示，分別有47%的患者在術后七年和十年時無發作（Tisi等人，2011年；Fong等人，2011年8月）。McIntosh等人發現，顳葉手術后15年仍有62.6%的患者無發作（McIntosh等人，2004年）。這些事實突顯了長期預后的不確定性，以及個性化預測模型的必要性。
部分患者在手術后一到兩年內復發，而另一些患者則能在多年內保持無發作狀態（Tisi等人，2011年；Sillanp??和Schmidt，2006年）。根據切除腦組織的數量和范圍準確預測術后無發作持續時間，仍是當前癲癇研究的重要課題。
機器學習（ML）的最新進展為整合高維數據集和識別疾病進展模式提供了有力工具。與需要大規模數據集且通常不可解釋的深度學習模型不同，隨機森林、梯度提升（XGBoost/LightGBM）和支持向量機（SVM）算法在性能和可解釋性之間取得了平衡（Li等人，2022年；Bhatt等人，2020年）。這些方法在癲癇數據上的預測和結果分類方面已被證明有效，但尚未應用于根據腦區切除情況預測長期術后無發作情況（如5年ILAE評分）。
本研究旨在探討利用機器學習方法從體積成像數據中獲取多少信息以預測無發作結果。雖然預后模型可能結合了EEG等多模態臨床信息，但本研究使用的IDEAS數據庫僅包含切除腦區的體積成像數據（Taylor等人，2024年）。盡管我們知道術后復發的多因素性質無法僅通過成像數據完全反映，但我們對來自267名患者的優質體積切除數據的分析彌補了這一不足。該樣本在人口統計學和解剖學上具有多樣性，有助于模型的泛化能力。這為未來結合多模態生物標志物的預測模型奠定了基礎。
預測癲癇手術后無發作期的持續時間是目前癲癇研究中的關鍵挑戰，對患者咨詢、手術規劃和長期疾病管理具有重要意義。盡管結構性磁共振成像（MRI）在定位致癇腦組織方面發揮了重要作用，但常規視覺檢查往往無法發現可能導致術后復發的微小病變。ML方法能夠詳細分析生物標志物和臨床變量，從而構建更準確且可解釋的預后模型。本研究旨在通過分析腦區切除的范圍和位置，開發出預測難治性癲癇患者無發作結果的客觀模型。
研究設計與數據來源
這項回顧性隊列研究使用了來自IDEAS數據庫的數據（Taylor等人，2024年），該數據庫包含了接受神經外科切除的難治性局灶性癲癇患者的術后無發作結果。數據包括切除腦區域的定量測量信息及其與術后五年無發作結果的關聯。IDEAS數據庫包含443名癲癇手術患者的信息，但其中僅267名患者的完整數據被納入分析。
患者人口統計學特征
分析樣本包括145名女性（54.3%）和122名男性（45.7%）。大多數患者年齡在25至49歲之間，發作起始年齡范圍從嬰兒期到成年期不等。93.3%的患者在術前12個月內有局灶性意識喪失發作史，78.3%的患者有局灶性至雙側強直-陣攣發作史。左側和右側腦區切除的比例大致相當（54.7% vs 45.3%）。其中，顳葉切除較為常見（T Lx或T Lesx）。
討論
通過使用ML模型，我們證明了根據切除腦區的神經影像特征預測癲癇術后無發作結果的可行性。研究結果強調了梭狀回、顳上皮質、顳極和島葉在實現無發作中的關鍵作用，這與現有文獻關于致癇網絡和切除結果的關系一致。
作者貢獻聲明
Elham Moases Ghaffary：撰寫初稿、數據可視化、方法設計、研究實施、數據分析、概念構建。
Gerald Wyckoff：審稿與編輯、模型驗證、研究監督、方法指導。
Omid Mirmosayyeb：審稿與編輯、數據可視化、軟件工具使用、項目協調。
致謝
我們感謝IDEAS數據庫為本研究提供了所需的數據支持。
利益沖突與資金支持
作者聲明與本文的發表無關任何利益沖突，也未接受任何形式的財務支持。
