论文部分内容阅读
目的:首次探索格兰杰因果关系密度(granger causality density,GCD)方法反映伴中央颞区棘波的良性儿童癫痫(Benign childhood epilepsy with centro-temporal spikes,BECTS)发作间期癫痫相关脑网络变化的信度;探讨支持向量机(Support vector machine,SVM)对癫痫发作间期痫样发放(Interictal Epileptiform Discharges,IEDs)和发作间期无 IEDs(non-IEDs)状态的鉴别能力;从全脑体素及网络水平探索癫痫相关网络间最优网络模型;首次利用静息态动态因果模型(Resting-state dynamic causal modeling,rs-DCM)分析方法探讨 SVM 对BECTS和正常健康儿童的鉴别能力,以及潜在的特征性网络模型。材料与方法:基于广义线性模型观察基于同步EEG-fMRI检查的IEDs相关脑激活,差异脑区用于SEM和DCM分析以确定最优网络模型。GCD分为inflow,outflow,total-flow(inflow+outflow)and int-flow(inflow-outflow)四个指标。多种模态相关分析(pearson相关分析、回归分析、基于体素水平的空间耦合以及基于个体水平的时间耦合)、IEDs相关脑激活图以及EEG偏侧性来验证GCD用于反映IDEs相关脑活动的信度。利用动态因果模型(dynamic causal modelling,DCM)和结构方程参数模型(Structural equation modeling,SEM)寻找 BECTS和正常对照组癫痫相关网络的最佳网络模型。结果:多模态相关分析以及EEG偏侧性结果显示GCD与同步EEG-fMRI具有较好的耦合性。GCD对IEDs和non-IEDs亚组具有高区分能力的脑区主要位于Rolandic区,尾状核,背侧注意网络,视觉皮层,语言相关网络和小脑区域。三个以上GCD亚指标的组合对两个BECTS亚组的分类效能较好(最优AUC值为0.928,分类正确率为90.83%,,敏感性为90%,特异性为95%)。其中,inflow、outflow和int-flow最优,其AUC值、正确率和特异性都最高,且分类正确率稳定。GCD结果显示中央前/后回以信息接收为主,Rolandic区以信息发出为主,并且IEDs刺激可以增强这种目标/驱动效应。从non-IEDs到IEDs状态,丘脑/纹状体可能参与BECTS癫痫活动的管理和调节。SEM和DCM分析显示,不同中心正常健康对照组得到的网络构架模型完全一致,该网络模型不会随着样本数量和扫描环境的不同而变化。BECTS两个亚组的最优模型显示信息流首先由右侧Rolandic区传到左侧Rolandic区,随后再由左侧Rolandic区分别传至丘脑和中央前/后回。两个BECTS亚组最优网络模型连接边唯一不同的是,IDEs亚组存在从左侧中央前/后回到左侧丘脑的有向连接边,而non-IEDs亚组没有。但BECTS两个亚组的最优网络模型均与正常对照组不同。静息态DCM-SVM机器学习方法用于区分BECTS患儿和正常健康儿童获得较高的分类正确率(88.16%),相应AUC值为0.92。外部单位数据同样得到近似分类正确率(81.51%)和AUC值(0.83)。其中,108条正性效应连接边和125条负性效应连接边作为有效特征用于BECTS的诊断。这些连接边所在脑区对区分BECTS组和正常健康儿童组贡献权重最高的脑区分别为左侧丘脑、左侧语言相关脑区、左侧中央前回、左侧后部顶叶皮层、右侧Rolandic区、双侧顶内沟、右侧纹状体以及右侧IPC,这些脑区对应主要位于感觉运动网络、皮层下网络、DAN和语言网络。SVM方法用于评判GCD度量对BECTS的IEDs和non-IEDs两个亚组,以及静息态DCM对BECTS和健康儿童组的分类效能。结论:GCD方法有望成为能用于反映癫痫发作间期棘波样放电相关脑网络变化的潜在生物学指标。GCD-SVM和静息态DCM-SVM模型有望为癫痫发作间期棘波放电程度的预测及BECTS的早期诊断提供参考。癫痫相关脑网络之间的高兴奋性和高抑制性连接可能是介导癫痫发生的重要神经网络基础。这些研究发现为我们对BECTS发生、发展的病理生理学机制的理解提供新的视角。