《2024机器学习在癫痫方面的应用进展（全文）.docx》由会员分享，可在线阅读，更多相关《2024机器学习在癫痫方面的应用进展（全文）.docx（14页珍藏版）》请在第壹文秘上搜索。
1、2024机器学习在癫痫方面的应用进展（全文）摘要施痴是由脑部神经元高度同步化异常放电引起的发作性、短暂性、刻板性的脑功能失调，发作时机难以预测，目前主要治疗方式为抗癫痫药物与手术治疗。其诊断和治疗需要大量的辅助手段与临床经验。在癫痫的发作预测、药物治疗预后、手术治疗评估等多个临床方面，机器学习可以通过对数据的深层次挖掘、纳入多个临床和影像因素、建立对应的学习模型，提高癫痫的诊断效率与准确性，实现抗糠痫药物的个体化应用，改善掘痫患者的术前评估与预后情况。目前在诊治癞痫过程中，对于评估癫痛发作区定位、症状诊断、药物应用等方面，神经影像学以及脑电图是电要的辅助手段，但分析仍需要付出极多的时间与努力，
2、且由于脑电图和神经影像学的分析多依赖于医师本身的视觉和主观判断，存在较多的人为误差。机器学习的机制1是通过学习大数据发现规律并建立相应模型，对模型进行不断的验证和改进，根据概率的分布确定最支持的结果，从而完成对新的数据的识别与预测C机器学习2可分为监督学习、无监督学习、强化学习，包括多元1.OgiStiC回回、支持向地机、随机森林、人工神经网络等几十种算法，吸收了传统统计学中的算法作为临床莫法，但具有传统统计学不能达到的提取和分析大最数据集的能力oIl前机器学习的般过程包括：收集数据（收集模型相关的数据并进行标准化、去重复、错误修正）、数据处理（对数据的统计学等特征进行分析、确定自变砧与因变砧
3、，并将数据分为训练集和验证集）、特征处理（将收集的数据转换为机器学习可用的数字特征，通过一些函数将数字特征转换为更加适合机器学习模型的特征数据）、建立模型（选择合适的机器学习算法建立模型，并应用训练集数据进行训练和调优）及模型验证（将验证集数据输入模型中进行脸证）。深度学习是机器学习的最新分支，主要通过建立人工神经网络进行学习，分为输入层、隐藏层和输出层，可以将患者数据作为原始数据进行处理，并自行识别数据特征进行分类，节省了传统的机器学习方法中人工提取特征的过程，避免了筛选特征过程中数据的丢失。近年来提出了10余种深度学习模型，包括循环神经网络、自编码网络、深度残差网络、循环神经网络、卷积神经
4、网络、递“神经网络等，目前常用的是卷积神经网络3,4、递归神经网络5等。目前机器学习在掘痛方面已应用于辅助诊断6、发作预测7、治疗方案的决定与疗效预测8、辅助手术治疗9等多个方面。本文作者以EpilepsyElectroencephalographyMachinelearning”“SurgeryAnti-scizuremedication为检索词，PubMcdWebofScience数据库检索了2010年至2023年的相关文献，总结了近年来机器学习在癫痫方面的应用进展，旨在为临床诊治提供帮助。一、机器学习在脑电图方面的应用根据旗痫发作活动的发生，施痫可分为4个部分：间歇期、发作前期、发作期和
5、发作后期10。癫痫患者在发作前或发作时会出现脑细胞的痫样放电，在脑电图上表现为不同类型的棘波、慢波、尖波、棘慢更合波等波形，通过提取脑电图中的这些特征，可以达到预测癫痫发作、识别旅痫姓和预测患者预后的目的。(一)在癫病发作预测方面的应用研究结果表明癫痫患者从正常状态到发作状态并不是瞬间转变的，而是经历了一个过渡时期，即发作前期，准确和高效地对患者的发作前期进行识别将成为疲痫预测技术的关键点11。顼测方法的困难在于不同患者的脑电图及同一患者脑电图之间的异质性,因此需要对脑电图数据进行预处理、特征提取和特征分类。2017年研究者提出了使用多通道脑电图数据的多类支持向成机(supportvector
6、machines,SVM)模型12,结合高斯函数、复小波变换等多种数据处理方法对来自欧洲掇痫数据库的216例患者的脑电图数据，包括185份头皮脑电图记录和31份陵内脑电图数据进行学习和验证，总体灵微度为0384,每小时假阳性率为0.200。该模型较2011年提出的通过高斯函数对癫痫患者发作前期脑电图数据进行处理的人工预测模型13灵敏度提高，且避免了人工判读脑电图数据的误差，缩短了预测时间。2022年研究者对微叶癫痫患者发作前期脑电图数据进行数据处理，提取5个数据集各包括100个脑电图片段样本，并输入到SVM、决策树、快速傅里叶变换等机器学习方法中建立癫痫发作预测模型14在印度家医院的实时数据中
7、获得的预测准确率为09167,结果证明以癫痫患者发作前期的脑电图作为训练集的机器学习模型对撅痫发作预测的准确率和灵敏度较人工预测模型明显提高C最近在2021年提出了基于特征金字塔网络的深度学习模型15。特征金字塔网络是一种融合r多尺度特征、时域形态学分析和传感器空间相关性分析的特征检测框架。通过该框架对30例嫁痛患者发作前期脑电图数据进行特征提取，识别脑电图中尖波、棘波、棘慢复合波等特征，进而输入至深度学习模型中进行学习和验证，准确度为0951,达到了先进的检测性能，优于传统的机器学习模型，且减少了寻找特征过程中数据的丢失。除此之外还有研究者提出了基于脑电信号的卷积神经网络16,17、长短期记
8、忆网络18、自编码器网络19的癫痫预测和诊断模型，均取得了较高的预测准确率。（二）在掇痫手术病灶定位与疗效预测方面的应用全世界约有1/3的患者对各类抗癫痫药物反应不良20。目前对于耐药性癫痫患者推荐的治疗方法21是手术切除致痫区，致痫区与手术切除区是否致须通过术后患者癫痫是否得到控制进行判断.因此,通过脓电图在术前识别致痫区和预测手术疗效是目前机器学习的研究热点。在2011年，研究者便提出利用立体定向脑电图(StereOeIeCtrOenCePhak)graphy,SEEG)对致痫区进行预测22,但是主要通过人工识别立体脑电图的特征，存在着高耗时和高主观性的缺点。有研究者利用痛痫发作前期SEE
9、G的多个生物标志物(喊痫样放电、高频振荡、相位振幅耦合)及其时域特征训练的预测模型，收集了82例局灶性癫痫患者的脑电图,将由4966个电极采集的标准化特征分为60%的训练集和40%的验证集，并输入SVM算法，用于识别致痫灶，测试数据集的曲线下面积(areaunderthecurve,AUC)为0.79,验证集为0.73,为未来利用机器学习模型定位致病区提供了证据23。更进一步的是在2021年一项研究中提出的利用SEEG定位难治性癫痫患者致病姓的监督式学习模型24。从41例植入SEEG电极超过24个月的患者中挑选出1。例3年以上无癫痫发作的耐药同灶性癫痫患者，对脑电图数据进行特征提取，以出度中心
10、、入度中心、强度中心、特征向以中心等作为分类器的特征，并将数据经过重采样方法分为不同的数据集，输入进包括决策树、SVM、1.OgiStiC回归、贝叶斯模型、K-近邻等10种不同的机器学习算法进行学习和验证，使用AUC、F测度、几何均值和平衡精度对学习模型性能进行评估，其中SVM模型的性能较其他模型突出，重采样技术的AUC为0.790.05,高于欠采样技术的AUC(0.780.06)O事实证明监督式机器学习模型和数据重采样方法可以提高发作前期在体脑电图致痫灶定位的准确性和灵敏性，并避免了分析过程的主观性和耗时问题.在预测癫痫手术疗效方面，最近提出了利用卵阀孔脑电图的监督学习模型25,纳入了26例
11、应用卵圆孔脑电图的癫痫患者,采用多元1.ogiStiC回!H算法，提取性别、癫瘠发作年龄、当前和以前的抗发作药物(anti-seizuremedication,ASM)总数、施痫发作生物学标志、减痫病灶的侧向化、同知性意识受损的数处和局灶性等为算法特征，采用重复交叉脸证对学习模型进行检测。结果显示基于经卵圆孔脑电图的机器学习模型的AUC为0.740.23,对达到EngelI级(即无致残性癫痫发作)结果患者的预测准确性为068018,与基于临床、头皮脑电图及硬膜外脑电图数据的预测模型26相比有显著提高(准确率为065),但卵圆孔脑电图属于侵入性操作，目前未能普及，在应用上存在限制。二、机器学习在
12、神经影像学方面的应用神经系统影像可以将大脑的结构异常与功能异常相结合，这是脑电图所不能做到的。一场全球性的关于癫痫患者脑结构异常的荟萃分析27汇集了来自欧洲、北美和南美、亚洲和澳大利亚14个国家的24个研究中心的数据，结果表明在广泛的疾病类型中，癞痫具有共同的神经解剖学特征，为机器学习通过神经影像学对癫痫进行诊治提供了证据支持。另外随若功能连接组学的提出，机器学习在神经影像学的应用得到进一步拓展。功能连接组学28将大脑视为各区域间相互链接的网络，借助影像学工具可测量其局部和整体功能特性，进而输入机器学习模型中对大脑病变做出顼测和诊断。(一)在癫痫的诊断与预测方面的应用1996年开发的-种基于头
13、颅MRI以及PET的称为“TheViewingWand”的框架模型29是机器学习最早应用于影像学分析的模型，但在准确度和灵敏度方面存在较大缺陷。随着科技的不断进展，研究者提出了新的机器学习模型30,31对痫进行诊断和发作颈测。静息状态功能MRI可以动态反映大脑各区域之间的连接性以及功能状态32。近年来有研究者以癫痫患者静息状态功能MRl的数据建立了诊断模型33,采用包括极端梯度提升树(XGBOost)、SVM,随机森林算法的监督式学习方法区分63例癫痫患者和259名健康对照者，结果XGBoost的验证AUC为081,测试AUC为0.79,准确率为0.74,优于另外两者。除此之外还有研究者利用静
14、息状态功能MRI的机器学习模型34区分椒叶癫痫患者与正常对照。通过利用癞痫患者的影像学数据进行有向脑网络构建，使用双样本t检验选择特征输入SVM模型进行训练，结果显示使用影像学最优特征训练的SVM分类器对椒叶癞痫患者和正常对照患者的分类准确率可达09455,证明利用癫痛患者静息状态功能MRI数据训练的机器学习算法可作为癫痫诊断的辅助手段C2022年，有研究者更进步地使用深度学习算法建立激叶癫病的诊断模型35。共研究了2132名健康对照和32例术前微叶癞痫患者，通过采集激叶瓶痫患者的原始静息状态功能MRI数据及去除线性趋势、时间低通滤波、空间平滑和干扰参数（头部运动、白质、心室和全局信号）及其时
15、间导数的回归等处理生成训练集，将其用于训练三维卷积神经网络,之后在颜叶殖痫患者中进行测试，结果显示该模型诊断颁叶癫痫患者的总体准确率为0906,证明该模型能够在经过数据训练后做出准确的诊断，从而调整顼叶瘢痫患者的术前手术计划和改善预后。对于MRI阴性的痛痫患者，扩散峰度成像可以在分子水平上分析局部组织和施痫灶其他区域的病理变化。有研究者通过基于扩散峰度成像的机器学习方法建立麴痫诊断模型36。该研究采集了59例海马癫痫患儿和70名年龄和性别匹配的正常对照的T1加权图像和扩散峰度成像图像，将扩散峰度成像中的海马体作为局部大脑区域进行分割，并估计每个受试者海马体的峰度张依。输入SVM算法模型进行施痫
16、识别，得到了0.952的准确率，实现了对MRI阴性癫痫患者的准确识别。在该研究基础上，研究者进一步以基于迁移学习技术的卷积神经网络算法建立深度学习模型37,收集癫痫患者的扩散峰度成像数据，提取FA、MD、MK特征，融合FA和MK,对学习模型进行训练以识别掘痫患者，实现了0.908的分类准确率C以上均证明了基于扩散峰度成像的机器学习模型可以作为MRI阴性的癫痛患者的诊断辅助工具，加强了针对搁痛患者病因的治疗。(二)在癞痫术前评估与疗效预测方面的应用神经影像学是术前致痫灶定位的核心工具，通过机器学习算法分析术前与术后影像学信息，可以推断手术对患者特定脑网络的影响，从而达到对癫痫手术的术前评估和疗效预测C2013年有研究者提出r基于氟脱氧葡萄糖正电子发射体层摄影(FDG-
