儿童内侧颞叶癫痫伴海马硬化的体素形态学分析和机器学习分类

简要总结：

这篇研究文章探讨了一种新的诊断工具，该工具结合了基于体素的形态分析（VBM）分析和基于机器学习的支持向量机（SVM）分类方法，用于提高儿童颞叶内侧癫痫伴海马硬化（MTLE-HS）的诊断准确性。研究共纳入37名参与者，包括22名MTLE-HS患者和15名健康对照（HC）。通过三维T1加权MRI扫描获取参与者的大脑图像，然后利用VBM分析检测灰质体积（GMV）异常的脑区，并将这些区域的体积作为特征输入到SVM模型中。采用留一交叉验证（LOOCV）策略训练和测试SVM模型，结果显示，与健康对照相比，MTLE-HS患者在多个脑区存在GMV的增加和减少，且SVM模型在区分左侧HS（LHS）与HC、右侧HS（RHS）与HC以及HS与HC方面的分类性能很高，接收者操作特征曲线下面积（AUC）分别为0.870、0.976和0.902。这项研究表明，除了海马外，MTLE-HS还涉及其他脑结构的GMV异常，支持MTLE-HS是一种网络疾病的观点。结合VBM和SVM的方法在儿童MTLE-HS的分类中显示出高准确性，为理解疾病机制和指导治疗提供了一种有前景的新工具。

摘要：

内侧颞叶癫痫伴海马硬化（MTLE-HS）是一种常见的儿童癫痫类型。研究试图评估基于体素的形态测量（VBM）和支持向量机（SVM）相结合的机器学习方法对MTLE-HS的分类是否可行。对37名参与者进行了三维t1加权MRI检查，其中22名患有MTLE-HS（左16名，右6名），15名健康对照（hc）。VBM用于检测脑灰质体积（GMV）异常区域。然后为每个参与者计算这些区域的体积，并将其用作支持向量机的特征。采用留一交叉验证(LOOCV)对SVM模型进行训练和检验。研究对左HS （LHS）与HC、右HS （RHS）与HC进行了基于VBM的比较和基于SVM的分类。与VBM组比较，GMV均有升高和降低。利用支持向量机（SVM）对LHS与HC、RHS与HC、HS与HC进行分类的接收者操作特征曲线下面积（AUC）分别为0.870、0.976、0.902。VBM结果与临床表现一致。因此，研究提出的方法将VBM结果与SVM相结合，适用于儿科MTLE-HS的分类，准确率较高。

关键词：基于体素的形态学、机器学习、分类、小儿内侧颞叶癫痫伴海马硬化

1 引言

内侧颞叶癫痫合并海马体硬化(MTLE-HS)是最常见的耐药癫痫类型。根据电临床依据，MTLE识别的准确率可能达到约75%。磁共振成像(MRI)提供的脑结构信息已被证明对MTLE-HS的早期识别有价值，在检测HS和识别海马区外异常方面提供了高度的敏感性和特异性。

在MTLE-HS中，对灰质（GM）体积进行视觉评估和手动测量不可避免地具有主观性，并且可能是困难的，因为潜在致痫区域的结构异常以及产生自发癫痫发作的网络或回路可能较为细微且分布广泛。基于体素的形态计量学(VBM)已经被用来检测异常的GM丢失，例如在海马区。杏仁核、内嗅觉皮质（Entorhinal cortex）和海马旁回，以及丘脑等其他边缘结构。然而，VBM的发现仅代表了组内的差异，可能不适合单独用于检测HS中具有细微病理形态变化个体的局灶性病变，所以需要一种强大的预测方法来单独识别MTLE-HS患者。

支持向量机等机器学习技术已被应用于结构磁共振图像的模式分类。支持向量机已被证明是一种有用的工具，可用于将海马硬化相关的内侧颞叶癫痫（MTLE-HS）患者与健康对照组（HCs）区分开来，或者用于区分左侧海马硬化（LHS）的MTLE患者与右侧海马硬化（RHS）的患者，在本研究中，首先使用VBM来探索结构异常，然后基于这种异常，研究旨在利用支持向量机实现儿童MTLE-HS的个体分类。据该文章所知，以前没有研究报道MTLE-HS儿童患者的分类表现。

2 研究方法

2.1 被试

本研究中的所有受试者均于2015年9月至2017年10月在深圳儿童医院招募。37名参与者被纳入研究，包括22名患有MTLE-HS的儿童和青少年和15名健康对照(HCS)。所有入选患者都是新诊断的单侧MTLE-HS(16例LHS，6例RHS)，没有任何其他发育/神经疾病。LHS组平均年龄9.2±2.3岁(5~13岁，女性7例，男性9例)，RHS组7.5±3.3岁(4~12岁，女性4例，男性2例)，HC组8.7±2.8岁(4~12岁，女性4例，男性11例)。人口学特征如表1所示。MTLE由有经验的神经内科医生根据ILAE诊断标准确诊，所有的电临床和MRI资料由有经验的癫痫专家重新分析。HC组即没有任何癫痫发作，也没有其他发育性或神经系统疾病。

表1 人口学特征

2.2 MRI协议

在3 T MR扫描仪（Siemens，Skyra，德国）上进行覆盖整个大脑的MRI采集，该扫描仪具有3D T1加权磁性，为所有受试者准备快速采集梯度回声（MPSYS）。扫描参数为：重复时间= 2300 ms；回声时间= 2.26 ms；翻转角= 8°;采集矩阵= 256 x 200；图像体素尺寸= 1 x 1 mm 3；层厚= 1 mm。

2.3 VBM分析

数据预处理使用了基于SPM8（www.fil.ion.ucl.ac.uk/spm/）的VBM8工具箱（http://dbm.neuro.unijena.de/vbm.html）。研究按照VBM8中的常规设置进行数据预处理。简单地说，首先，在默认设置下进行分割，得到自然空间中的GM、白质(WM)、脑脊液(CSF)。其次，将GM图像导入DARTEL(基于指数李代数的可微分解剖学配准)以创建特定于研究的GM模板。为了补偿变换中引起的体积变化，在DARTEL中使用包含空间变形信息的流场对GM图像进行翘曲和调制，以将单个图像归一化到公共模板。最后，使用10毫米全宽半高（FWHM）的核对标准化和调制后的GM图像进行平滑处理。

研究使用双样本t检验来检验LHS患者和HCS患者以及RHS患者和HCS患者之间GM体积(GMV)的组间差异。将年龄和性别作为协变量输入。统计阈值在簇水平上进行，体素水平上的p值小于0.0025，簇大小大于20个体素。

为了计算上述VBM分析中识别的重要集群的GMV，研究人员使用了MarsBar（http://marsbar.sourceforge.net/）在SPM8中生成簇特异性的二进制掩膜。随后，这些掩膜被应用于所有平滑处理后的灰质（GM）图像中，以提取在基于体素的形态学分析（VBM）中检测到的簇，并计算这些簇的体积作为原始特征。为了识别以下分类任务的代表性特征，采用主成分分析（PCA）来选择有效特征，这些特征保留了原始特征90%的原始信息。

为了明确每个患者的GMV异常情况，进一步采用单样本t检验，通过IBM SPSS 20.0比较每位患者每个显著簇的GMV与健康对照组（HC）中该簇的平均GMV，并将p值小于0.05视为具有显著性差异。

2.4 基于SVM的分类

利用LIBSVM(www.csie.ntu.edu.tw/~cjlin/libSVM/)，建立了用于MTLE-HS分类的径向基函数非线性支持向量机模型。利用径向基函数核将非线性空间变换到高维空间，在高维空间中特征是线性可分的。C和γ是径向基函数核的两个参数，分别代表径向基函数的宽度和误差/权衡参数。利用VBM分析得到的特征向量训练基于支持向量机的分类器。采用留一交叉验证(LOOCV)策略进行分类器训练和测试，其中一个受试者作为测试数据依次从训练阶段移除，其余的用于训练。注意，在LOOCV过程中，对于测试数据集和训练数据集的每个组合，研究仅使用训练数据集执行用于特征选择的VBM分析。这是为了确保在特征选择步骤中不涉及测试数据集。

采用接收者操作特征曲线（ROC）对分类模型的性能进行评价。研究计算了ROC曲线下面积（AUC），并进行排列检验以确定结果的置信度和重复性。通过准确度、灵敏度和特异度评价分类效果。

3 研究结果

3.1 GMV异常

表2总结了所有训练过程的共同特点。与正常人相比，LHS患者双侧小脑、海马、海马旁回、岛叶（insula）、梭状回（fusiform gyrus）、舌回、枕下皮质、额下回眶部、额内侧回（Medial Frontal Gyrus）和额中回；同侧颞下回和额上回眶部；对侧杏仁核、颞中极、额上回（Superior Frontal Gyrus）、额下回操作部（Opercular Part of Inferior Frontal Gyrus）、缘上回和顶叶小叶（parietal lobule）GMV显著增加。对侧丘脑检测到GMV降低（图1）。表2显示了通过VBM检测到的簇以及在LHS与HC比较中每个簇的单样本t检验的相应结果。

与健康对照组（HCs）相比，RHS组在同侧小脑、颞下回、舌回、内侧眶额叶皮层（medial orbitofrontal cortex）、直回和枕下回(inferior occipital cortex)的灰质体积（GMV）增加。灰质体积减少的脑区位于双侧岛叶（bilateral insula）、壳核（putamen）和前扣带回（anterior cingulate gyrus）；对侧颞上回和颞中回、苍白球、中央后回、缘上回、顶上小叶（superior parietal lobule）、枕上回、中扣带回（midcingulate area）和中央前回（precentral gyrus）（见图2）。表2显示了通过基于体素的形态学分析（VBM）检测到的簇以及对RHS组与HC组比较的每个簇进行单样本t检验的结果。

表2 与HC相比，LHS/RHS有显著GMV异常的脑结构

图1 显示了LHS患者与HC相比具有显著GMV异常的脑区

图2 显示了RHS患者与HC相比具有显著GMV异常的脑区

3.2 SVM分类

SVM分类结果如表3所示。鉴别RHS与HC的平均准确率为93.3%，灵敏度为100%，特异性为90.7%，AUC为0.976；鉴别LHS与HC的平均准确率为80%，灵敏度为80%，特异性为80%，AUC为0.87。鉴别HS与HC的平均准确率、灵敏度、特异性和AUC分别为83.8%、81.8%、86.7%和0.902。

表3 SVM分类结果

4 讨论

研究的结果表明，除了MTLE-HS中常见的GMV改变的海马外，VBM还发现了其他一些GMV异常的脑结构。研究的结果支持了MTLE-HS是一种具有高度弥漫性、通常是双侧、结构和功能紊乱的网络疾病的观点。通过基于支持向量机的模型，研究还发现这种GMV异常对于区分LHS和HC，或RHS和HC具有足够的敏感性。

4.1 GMV异常在儿童和青少年MTLE-HS中的表现

根据头皮脑电图（EEG）的结果，在颞叶内侧癫痫伴海马硬化（MTLE-HS）患者中，间发作期可见慢波、棘波(spike waves)和尖波，这些波形出现在颞叶、额叶、顶叶、枕叶和中央区。在左侧海马硬化（LHS）患者中，常规磁共振成像（MRI）发现的结构异常位于左侧海马、颞叶内侧、杏仁核、颞角（temporal horn）、岛叶（insula）、额下回、海马旁回（parahippocampal gyrus）和颞极；而在右侧海马硬化（RHS）患者中，结构异常则出现在右侧海马、颞角（temporal horn）、侧脑室（lateral ventricle）和胼胝体（callosum）。VBM（基于体素的形态学分析）的结果（见表2）与发作间期EEG检测到的刺激区域以及传统MRI检测到的癫痫发作起源病变相一致，或分布在这些区域周围。如表2和图1、图2所示，研究人员的VBM分析显示了广泛的双侧边缘系统和新皮质结构紊乱，例如位于颞叶内侧的海马旁回、海马和杏仁核，或作为边缘系统组成部分的颞中极、海马旁回、杏仁核、海马、岛叶和丘脑。梭状回位于颞下回和海马旁回之间。有趣的是，在双侧结构的灰质体积（GMV）增加方面，对侧的结构变化比同侧的结构变化更为显著。事实上，常规MRI显示，在5例LHS患者和4例RHS患者中出现了同侧海马轻度萎缩，这与VBM结果在很大程度上是一致的。

颞叶皮层、额叶皮层、丘脑和小脑是颞叶癫痫网络的重要节点，负责癫痫活动的传播和调节。Zhang等人的研究揭示了对其他区域具有显著因果效应的区域包括海马和丘脑，而对因果效应的显著区域包括前额叶皮层和小脑。在该研究中，壳核(putamen)、丘脑、广泛皮层（颞叶、额叶、顶叶和枕叶回）和小脑显示出显著的结构变化，这可能意味着受损区域位于基底神经节-丘脑-皮层网络中（gangliathalamo–cortical network）。尽管具体的癫痫网络尚不清楚，但研究的结果支持额叶皮层、丘脑和小脑可能是癫痫传播的关键节点，除了受影响的海马外。这些结构变化可能与研究MTLE-HS患者表现出的中期和晚期临床症状或功能障碍相对应。

关于这些发作期症状，丘脑、壳核（putamen）和中央前回可能参与其中。先前的研究表明丘脑在癫痫发作期间的参与。背中线丘脑（dorsal midline thalamus）（内侧丘脑核和内侧背核（medial pulvinar nucleus and mediodorsal nucleus)）在MTLE中与海马显示出强烈的连接，并已被报道为发作活动的同步器和放大器。背中线丘脑（dorsal midline thalamus）可能通过丘脑皮层连接促进MTLE中的继发性全身性强直-阵挛性癫痫发作。内侧丘脑区域已被报道参与调节皮层运动过度兴奋和意识状态。LHS组检测到对侧丘脑的GMV减少，这可能解释了研究队列中4名LHS患者观察到的意识丧失。壳核（putamen）是基底神经节的一部分，负责调节运动功能，并与对侧上肢的肌张力障碍姿势有关。特别是，中央前回是众所周知的运动皮层的一部分。在该研究中，RHS患者的双侧壳核（putamen）和左侧中央前回检测到GMV减少。这些壳核（putamen）和中央前回的异常可能是研究研究中5名RHS患者观察到的面部-分支运动症状（如阵挛）的原因。特别是，有1名RHS患者出现对侧肌张力障碍性手臂，3名RHS患者出现双眼向对侧阵挛性偏转，1名RHS患者出现不对称强直性肢体姿势。然而，需要注意的是，如果癫痫刺激不足以诱发症状性区域，或者诱发区域是静默皮层而不是重要皮层，MTLE-HS患者可能没有如此明显的临床体征和症状。这可能是并非所有具有结构变化的患者都有相应发作期临床症状的原因。

关于发作后功能障碍，海马、杏仁核和小脑可能是与记忆缺陷、情绪变化和共济失调等小脑功能障碍相关的优先受损区域，这些功能障碍在研究的患者中表现出来。与其说是结构变化，某些功能网络的神经重组模式可能决定相应的功能缺陷。Li等发现MTLE中的记忆表现与前后海马网络的重组有关。Garcia-Ramos等还发现，儿童期发病的癫痫患者在诊断后五十年的脑结构和组织与HC之间存在差异。

两种神经生物学解释可以解释研究中GMV的增加和减少。首先，受损的大脑结构在不同的病理阶段表现出不同的形态特征。这些区域的GMV增加可能是由持续手术初始阶段的补偿性肥大效应引起的，如果癫痫发作活动无法得到控制并且持续性损伤继续，最终可能会演变为萎缩。其次，由轻度神经炎症引起的轻度胶质增生或由急性癫痫发作活动引起的细胞水肿也可能导致体积增大。然而，仍需要研究来进一步探讨其机制。

LHS患者的临床症状、VBM表现、脑电图（EEG）和MRI特征与RHS患者不同。与HC相比，LHS患者的GMV增加更显著，而RHS患者的GMV下降更显着。这可能表明，癫痫发作的起始、传播和终止的潜在机制可能因LHS和RHS而异，因此受影响的大脑区域及其病理阶段也各不相同。由于该研究的样本量较小，VBM检测到的显著簇可能不足以详细描述LHS和RHS之间的不同机制。

4.2 SVM在MTLE-HS中的分类

该研究是第一个将机器学习应用于小儿MTLE-HS分类的研究。与成人患者的类似研究相比，研究提出的方法在区分MTLE-HS患者与HC或LHS与RHS患者方面取得了相当甚至更好的性能（表3）。Focke等人提出了一种基于灰质概率图和SPM结果生成的线性核矩阵的分类方案，在区分LHS与HC和RHS与HC方面分别达到了90%和97.5%的分类准确率。虽然研究的平均精度低于Focke等人的研究结果，但值得注意的是，他们在预处理流中对GM图像应用了局部加权。然而，当GM变化呈空间分布时，局部加权也可能不利于分类性能，这在之前的支持向量机研究中已得到证明。因此，该研究没有使用这样的权重。Cantor Rivera等人计算了感兴趣区域（ROIs）的平均强度和相应的左右ROIs之间的不对称性作为RBFSV中的特征，检测左TLE和右TLE的准确率分别达到96%和74%。正如所建议的那样，Cantor-Rivera等人获得的准确性在两个独立组中显示出22%的差异，而该研究在不同组中实现了更稳定的准确性。

Cantor-Rivera等人报道称，由于右TLE和HC的相似性，他们提出的模型可能不具备将右TLE与对照区分开的判别特征，导致分类精度较低。研究的结果可能意味着RHS患者的鉴别特征可以使用所提出的方法来识别。还有其他证据支持这一推论。与以往研究一致，在该研究中，RHS和HC之间发现的GM异常区域比LHS和HC之间发现的要少。然而，如上所述，在RHS中检测到的GM变化显著的区域比在LHS中检测到的区域与临界临床症状的相关性更大，这表明RHS分类的区域可以作为判别特征，从而确定可靠的决策边界，而LHS分类中冗余的特征可能会导致过拟合，降低性能。研究的结果的另一个可能的解释是，LHS患者在临床症状和MRI证据方面比RHS患者更具异质性。例如，只有5例LHS患者（31%）出现同侧海马萎缩，而4例RHS患者（67%）出现同侧海马萎缩。

研究的VBM发现可能为基于SVM的MTLE-HS分类提供有效的形态学特征作为可能的生物标志物。VBM结果表明，HS并不是MTLE-HS中唯一形态异常的区域。以前的一些研究只关注一些预定义ROI的形态或体积变化，如海马或其他异常的大脑结构。然而，这种预定义的特征可能会引入主观性，更重要的是，缺乏特异性。在该研究中，VBM中检测到的异常脑区不仅通过单样本t检验结果得到证实，而且与临床表现、间期脑电图和常规MRI检查结果相一致。因此，研究在SVM模型中使用的特征可以为MTLE-HS的分类提供足够的敏感性和特异性。由于研究的样本规模较小，因此在研究的研究中使用了SVM算法和LOOCV。首先，SVM相对稳健，能够抵抗过拟合的表现——峰值现象。RBF-SVM具有非线性核，通常用于解决训练样本有限的分类问题和特征与标签之间的非线性关系。其次，LOOCV已被广泛用于分类性能评估，特别是在样本量较小的情况下。LOOCV还能够通过偏差-方差权衡在一定程度上避免过拟合。因此，使用RBF-SVM和LOOCV，研究认为分类性能评价更加可靠。

4.3 局限

本研究可能存在一些潜在的局限性。首先，患者组尤其是RHS组的样本量较小，统计效力可能不够高。大样本将为MTLE-HS的分类提供更可靠和更具代表性的特征。然而，在儿科患者中，特别是在年龄较小的儿童中，MRI数据的获取仍然具有挑战性。其次，由于临床和影像学特征的异质性，研究的患者可能存在多因素病因。组织病理学评估和其他影像学数据对于提高研究对潜在原因的理解和确认研究的发现是非常必要的。最后，虽然研究提出的基于VBM和机器学习的方法取得了可接受的准确性，但它仍然远远不能替代传统的临床诊断方法。未来的研究有必要解决这些局限性，以进一步验证研究的发现。

5 结论

本研究的VBM结果与电临床和常规MRI特征一致，支持了MTLE-HS是一种具有多致痫灶和广泛影响区域的网络疾病的观点。VBM分析结合机器学习对MTLE-HS的分类也证明是有用和有效的。进一步研究更大的、多中心的样本将有助于阐明MTLE-HS中形态计量学异常的机制，从而研究提出的方法可能有助于辅助小儿MTLE-HS的诊断。

精读分享

研究背景

颞叶癫痫伴海马硬化（MTLE-HS）是儿童癫痫中最常见的类型，也是药物难治性癫痫的主要类型。早期识别MTLE-HS对于指导治疗和预后评估至关重要。传统上，MTLE的识别依赖于临床表现和脑电图（EEG）等电临床资料，但其准确性有限。近年来，随着影像技术的发展，磁共振成像（MRI）在MTLE-HS的早期识别中显示出重要价值，能够提供高敏感性和特异性的海马硬化（HS）检测，并识别额外的异常。然而，传统的视觉评估和手动测量灰质（GM）体积存在主观性，且对于潜在致痫区和自发性癫痫发作相关网络或回路的细微结构异常可能难以识别。因此，本研究旨在探讨基于体素的形态测量（VBM）和支持向量机（SVM）机器学习方法在儿童MTLE-HS分类中的可行性。

研究方法

本研究共纳入37名参与者，包括22名MTLE-HS患者（16名左侧HS，6名右侧HS）和15名健康对照（HC）。所有参与者均在2015年9月至2017年10月期间于深圳儿童医院招募。MTLE-HS患者均为新诊断的单侧MTLE-HS，无其他发育或神经系统疾病。HC组无癫痫发作，且无其他发育或神经系统疾病。

SVM分类

使用LIBSVM（www.csie.ntu.edu.tw/~cjlin/libSVM/）构建基于VBM分析特征向量的非线性SVM模型，用于MTLE-HS的分类。采用径向基函数（RBF）核将非线性空间转换为高维空间，其中特征线性可分。C和γ是RBF核的两个参数，分别表示RBF的宽度和误差/权衡参数。通过VBM分析的特征向量训练SVM分类器。采用留一交叉验证（LOOCV）策略进行分类器训练和测试，每次从训练阶段移除一个受试者作为测试数据，其余用于训练。在LOOCV过程中，对于每个测试数据集和训练数据集的组合，研究仅使用训练数据集进行VBM分析以选择特征。这是为了确保测试数据集不参与特征选择步骤。使用接收者操作特征曲线（ROC）评估分类模型的性能。计算ROC曲线下面积（AUC），并进行置换检验以确定结果的置信度和可重复性。使用准确性、敏感性和特异性评估分类性能。

批判性思考与展望

本研究可能存在几个潜在局限性。首先，患者组特别是RHS组的样本量较小，因此统计功效可能不足以提供足够可靠的代表性特征用于MTLE-HS分类。然而，获取儿童患者的MRI数据，特别是年龄较小的患者，仍然具有挑战性。其次，由于临床和影像特征的异质性，研究的患者可能存在多因素病因。组织病理学评估和其他影像学数据对于提高研究对潜在原因的理解并确认研究的发现至关重要。最后，尽管研究基于VBM和机器学习提出的方法取得了可接受的准确性，但距离替代传统临床诊断方法还有很长的路要走。未来的研究需要解决这些局限性，以进一步验证研究的发现。

结论

本研究中的VBM结果与电临床和常规MRI特征一致，支持MTLE-HS是一种具有多个致痫灶和广泛受影响区域的网络疾病的观点。结合机器学习的VBM分析也被证明对MTLE-HS的分类有用且有效。进一步在更大和多中心样本上的研究会有助于阐明MTLE-HS中形态学异常的机制，并且研究提出的方法可能有助于协助儿童MTLE-HS的诊断。

原文献：

Chen, S., Zhang, J., Ruan, X., Deng, K., Zhang, J., Zou, D., He, X., Li, F., Bin, G., Zeng, H., & Huang, B. (2019). Voxel-based morphometry analysis and machine learning based classification in pediatric mesial temporal lobe epilepsy with hippocampal sclerosis. Brain Imaging and Behavior. https://doi.org/10.1007/s11682-019-00138-z