文摘
客观的我们评估术前脑结构网络和耐药患者颞叶癫痫的临床特征(框架)来识别相关的手术后的复发。
方法我们检查了数据从51病童,患者接受前颞叶切除术(ATLR)和29名健康对照组。对于每一个病人,使用术前结构、扩散,和术后结构磁共振成像,我们生成2网络:presurgery网络和手术没有网络。标准化这些网络控制,我们决定不正常节点的数目手术前,手术将幸免。一般我们合并这两个异常措施和13获得临床资料从每个病人变成一个健壮的机器学习框架来评估患者手术后癫痫发作持续的机会。
结果多个异常节点患者较低的机会完全发作1年和自由,即使控制发作1年,更有可能在5年内复发。异常的节点的数量及其位置更大更广泛的手术病人免受网络差的结果比患者良好的结果。我们实现了曲线下面积为0.84±0.06,0.89±0.09的特异性预测失败的发作的结果(国际抗癫痫联盟[ILAE] 3 - 5)而不是完全发作自由(ILAE 1)在1年。此外,模型预测癫痫复发的可能性显著的年级与手术结果在第一年和相关复发手术后5年。
结论节点异常提供了个性化的,非侵入性标记,可以结合临床资料更好地估计没收自由的机会在1年和随后的复发ATLR后5年。
证据的分类本研究二类提供证据证明节点异常预测手术后的癫痫复发。
术语表
- AUC=
- 曲线下的面积;
- CI=
- 置信区间;
- dMRI=
- diffusion-weighted核磁共振;
- 联合会=
- 广义分数各向异性;
- ILAE=
- 国际抗癫痫联盟;
- ROI=
- 感兴趣的区域;
- sMRI=
- 结构磁共振成像;
- 支持向量机=
- 支持向量机;
- 框架=
- 颞叶癫痫
癫痫手术是一种有效的治疗将在耐药局部癫痫发作缓解。然而,它是未充分利用的。1,- - - - - -,3underreferral病人的一个原因是保留有关的不确定性的结果。3,4≈30%到40%的人,癫痫继续尽管手术,和多学科团队无法准确预测这种风险。5,- - - - - -,9因此,为了更好的通知临床决策,需要预测癫痫发作的结果在短期内和长期癫痫复发的可能性。8,10
广泛的不完整切除致癫痫的网络越来越被认为是手术后持续发作的原因之一。11,12许多研究,由上述假说,试图从那些将要动手术数据预测癫痫发作的结果。9,13,- - - - - -,20.然而,大多数研究调查大脑网络没有将计划/执行手术的知识纳入分析。自然,癫痫手术的结果将不仅取决于presurgery大脑网络还如何手术(即。),它的位置和程度会影响大脑网络。21包括外科手术数据允许手术幸免的推理网络的子网连接都被手术改变,因此手术后会保持。因此,存在致癫痫的手术使网络结构,可能引起癫痫复发,需要调查。
利用定量成像的研究不断地显示在框架结构异常有涉及到大脑结构超出了海马和颞叶。22,- - - - - -,27越来越多的证据表明,这些异常配置的网络结构异常可能参与癫痫的一代。11,28,- - - - - -,31日的确,与epileptogenesis相关的病理生理机制有很强的基于异常的神经连接。32,33因此,量化前的异常和手术后会保持可能告知术后癫痫发作的结果。
我们研究的主要目标是了解网络结构异常与颞叶癫痫(框架)手术后癫痫发作的结果。我们调查了异常的手术没有网络,因为在概念层面,术后结果可能取决于手术后剩下的。我们的研究主要解决三个主要问题。(1)多做患者手术使网络异常糟糕术后癫痫发作的结果吗?(2)手术减少节点(地区)异常控制发作患者超过患者不能控制发作呢?(3)如果节点异常测量使用与常见的临床变量的一个病人,将它推广不同的预测手术后癫痫的机会自由吗?我们的研究表明,手术使网络中的节点异常是一个重要的措施被认为是那些将要动手术与其他临床因素评估贫困患者癫痫发作的结果的风险框架耐火材料。
方法
参与者
我们研究了51个病人单方面前颞叶切除术在国家医院神经病学与神经外科的,伦敦,英国。首页手术后随访和分类根据国际抗癫痫联盟(ILAE)每隔12个月发作的结果。34手术后一年,34例完全控制发作(ILAE 1),患者8例仍有光环只(ILAE 2),和9患者不能控制发作(ILAE 3 - 5)。没有病人ILAE 6的一个结果。
ILAE癫痫的手术结果自由记录每年年所有51例1和2,在第3年45例,对37例4年,5年31例。我们认为一个病人有一个癫痫复发,如果年复一年地在任何给定的1,ILAE的结果病人从ILAE 1到2 ILAE 3 - 5所示。如果病人并没有改变的ILAE结果ILAE 3到5,后续持续时间< 5年,它不能确定如果病人会复发满5年随访。因此,除了已知的随访期间,我们没有包括这样的病人在我们的分析。这一标准的基础上,在第一年病人ILAE 1到2,复发的患者的数量(不复发)每个随后几年年底如下:3(39)在今年2;由三年级8 (29);11(21)在今年4;13 (14)5。
值得注意的是,癫痫发作和癫痫复发是两种不同的结果的措施。癫痫发作的结果在第一年分类所有51患者根据其ILAE得分在手术后1年。癫痫复发分类只有那些最初没有禁用癫痫发作的患者,即。ILAE 1或2,但随后在5年内有一个癫痫复发。标签癫痫复发,我们排除了9癫痫患者手术后1年内复发(即。,ILAE 3 - 5年1)避免任何偏见。完整的表S1病人提供细节,doi.org/10.5061/dryad.vx0k6djnv,总结表1。
我们还研究了29个健康的人,年龄和性别匹配病人组,无重大病史的神经或精神问题。
标准协议的审批、登记和病人同意
这项研究是国家批准的医院神经病学与神经外科和神经学研究所的联合研究伦理委员会,并从所有参与者得到书面知情首页同意。数据分析在这项研究在纽卡斯尔大学伦理委员会的批准(参考1804/2020)。
核磁共振成像采集、数据处理和手术网络
对于每一个参与者,t1加权结构磁共振成像(sMRI)和diffusion-weighted术前MRI (dMRI)数据被收购了。手术后1年内,t1加权sMRI数据再次获得病人。在我们之前的研究中,21我们使用了在术前术后sMRI手工绘制切除面具sMRI空间,因此描述切除组织。我们parcellated术前T1图像分成114感兴趣的皮质和皮质下区域(roi)源自预定义的测地线信息流阿特拉斯,82年分别使用FreeSurfer roi Desikan-Killiany阿特拉斯在每个参与者的本地空间。随着流线推断dMRI tractography与分割和地区推断,我们合并切除组织的信息推断出2网络:presurgery网络和手术没有网络。presurgery简化网络是整个大脑网络描述简化连接预定义parcellated roi的数量。手术免受网络的子网presurgery网络,去除交叉的流线切除术后推断面具。根据定义,手术只能导致立即减少流线的数量。因此,我们指定的手术没有网络只包含那些不会改变网络边缘简化手术后(即计数。,边缘的流线不通过/切除腔)。整体概念中所示图1。详细的成像协议和数据处理管道来推断这些网络完全补充描述方法,doi.org/10.5061/dryad.vx0k6djnv。
计算节点异常
我们在网络的基础上,计算节点异常指的是广义分数各向异性(gFA) dMRI流线的属性。35presurgery网络与控制标准化patient-specifically如下:为每个连接roi i和j之间存在一个病人,连接分布得到的等效关系roi i和j从控制网络。的z得分为连接计算SDs离均值,SD,意味着得到控制的分布。网络推断从确定性tractography稀疏,所以我们z得分只有那些连接在病人的一个等价的连接存在于至少10(≈35%)控制。36这是中描述图2一个。
那些将要动手术广义分数各向异性(gFA)网络体系结构为每个病人在面板(A)是推断,和感兴趣的区域之间的联系是标准化控制分布(一个例子说明连接面板的权利[A])获得zscore-transformed网络面板(B)。影响手术手术所示的连接网络面板(C)中获得手术免受网络面板(D)。(E)节点异常2例节点的概念。通过规范不正常链接到一个节点的数目及其程度,网络节点的异质性程度占。h-degree节点可以减少异常而低度节点根据异常连接的数量。(F)不同阈值所需的计算节点异常显示手术免受网络(蓝色面板前)和presurgery网络(橙色面板)。的z得分的一个链接被认为是异常轴,和一个节点被认为是异常的截止在x轴上。(G和H)异常负载presurgery和手术免受网络纳入一个机器学习分类器以及临床预测癫痫发作预测结果在第一年的二进制控制发作(+绿色)和没有控制发作(红色)-结果和每个病人的概率被归类为不控制发作。这些概率与癫痫发作的严重程度(即结果。,国际抗癫痫联盟[ILAE] class) at year 1 and associated with the seizure relapse in 5 years. We called these probabilities predicted seizure relapse likelihood. |z| = z-score
后获得presurgeryz得分gFA网络,我们删除了连接手术影响网络中获得手术z改变gFA网络。高
表明高偏离常态。因此,presurgery网络地图链接出现在手术之前,异常和手术使网络地图链接异常手术后立即将不受影响。这是说明图2中,通过D B。
研究不同地区(节点)的影响在这些网络中,我们计算节点异常(图2 e)presurgery和手术使网络通过计算异常链接到每个节点的数量。我们正常不正常链接到一个节点的数目由其学位那些将要动手术的网络,因此表达节点异常的百分比。
量化的节点异常负载提出了两个问题。首先,异常连接的定义是什么?第二,当一个节点被认为是异常?前者是必不可少的一个阈值的应用程序异常网络计算异常的数量在每个节点的链接。对于后者,需要另一个阈值定义超出比例水平应考虑节点异常。我们因此不同z分数阈值从2.1到4.5的增量0.1和异常阈值百分比从1%到50%,增量的1%。每一点在这个二维网格,计算有多少个节点在presurgery异常和手术没有网络。我们称之为异常负载,异常的节点总数确定在任何给定的阈值。这是说明图2 f6例阈值对。最后,量化每个病人的异常负荷,我们评估其歧视性的能力在预测癫痫发作的结果在第一年和5年的癫痫复发。
量化ATLR后异常负载的变化
探讨手术治疗对减少的影响异常,我们比较异常负载presurgery之间的差异和手术没有网络。左右半球的roi同侧或对侧的患者表示为手术。然后,我们分类每个ROI到同侧和6对侧的6个领域,即。,皮层下颞顶叶、枕叶额叶、扣带皮层。在每一个领域,我们决定不正常节点的数目patient-specifically presurgery和手术没有网络。然后,我们平均异常节点的数量在每个区域控制发作(ILAE 1)而不是控制发作(ILAE 3 - 5)组的患者。最后,通过计算节点异常的比例(即在每个区域。,ratio of mean abnormal ROIs to the total number of ROIs in each area) for the presurgery and surgically spared network, we noted the change due to the surgery in all patients.
预测模型设计概括性评价
预测特定病人的癫痫复发的概率基于术前临床资料(表1和表S1,doi.org/10.5061/dryad.vx0k6djnv)和那些将要动手术,手术没有节点异常,我们应用支持向量机(SVM)的学习算法。37,38支持向量机的结果值在第一年发作的结果,1 ILAE贴上控制发作的结果,ILAE 3到5贴上不控制发作的结果。我们注册一个线性内核支持向量机,因为这使权重的直接解释为相对特征的重要性。我们表现nested-cross-validation数据被分为3折叠:培训、验证和测试。在培训期间,支持向量机中的数据从培训只折;它没有看到任何数据的验证或测试褶皱。节点异常措施重新计算每个病人的训练褶皱,最歧视(最高曲线下的面积(AUC))阈值对患者在训练褶皱指出。训练SVM学会权衡15术前属性的相对重要性的顺序来最大化的训练精度。我们避免过度拟合,通过融合一个正则化参数的支持向量机。正则化参数进行优化验证褶皱,之后概括性的SVM测试中的看不见的数据测试褶皱。这类似于一个新传入的病人(pseudoprospective)的学习算法一直在训练和优化现有的/过去的病人记录。
在训练阶段,SVM画了一个线性超平面分离患者控制发作(ILAE 1)从那些没有控制发作在第一年(ILAE 3 - 5)。测试病人的功能测试在这个超平面,并自信地取决于支持向量机这个病人不能控制发作组的地方,一个概率分配。我们称这些概率为癫痫复发的可能性,因为高概率表示预测的倾向不能控制发作的结果。通过实现分析方案,我们测量(1)的净普遍性学习算法(AUC量化的准确性、敏感性和特异性),(2)相关癫痫复发的预测概率是如何严重发作的结果(即。、ILAE班1年)和(3)之间的联系实际在5年内复发和癫痫复发的预测概率。
排名特性指标暗示,是重要的预测性能相对于那些可能会混淆。因此,识别相结合的信息最丰富的特性,我们最少的信息删除功能,重复上述过程,直到一个功能依然存在。38,39更多细节数据分割和嵌套交叉验证提供了补充材料,doi.org/10.5061/dryad.vx0k6djnv。
统计分析
调查是否更多的异常相关节点不能控制发作(ILAE 3 - 5)的结果,我们采用了非参数Wilcoxon rank-sum测试。称为单侧p在MATLAB ranksum函数值计算(MathWorks公司,纳蒂克,MA)结合的方法。结果被宣布重大p< 0.05。我们进一步应用Benjamini-Hochberg错误发现率修正40在5%的显著性水平。群体之间的效果与科恩计算d分数,以及癫痫复发的可能性之间的相关系数和癫痫预后的严重程度与斯皮尔曼等级次序决定。引导我们计算95%置信区间(CIs)的影响大小,AUC,平均使用bias-corrected和加速百分位法从10000年引导重新取样与更换。我们研究二类提供证据证明节点异常前和手术后会保持预测手术后的癫痫复发。
数据可用性
使再现性,我们将提供所有的匿名presurgery 51例和手术使大脑网络,29日的网络控制,异常编码节点计算,所有的训练机器学习模型的数据。补充数据、文字和数据可以在森林女神(doi.org/10.5061/dryad.vx0k6djnv。
结果
结果组织成三部分。首先,我们评估是否更多的患者(即异常节点。,a higher abnormality load) are predisposed to ILAE 3 to 5 (poorer) seizure outcome after surgery. Outcomes are initially measured at 12 months and then at later years. Second, we investigated the effect of surgery in reducing the node abnormality load between the seizure-free and not seizure-free groups. Third, we determined the generalizability of node abnormality measure, if it is to be incorporated in a clinical setting alongside other clinical attributes, to estimate the chances of seizure recurrence for new patients.
异常负荷对应第一年手术结果和晚年癫痫复发
我们调查了手术的异常负载免受那些将要动手术和网络。图3中,通过D说明了异常4例患者手术使网络中的节点。病人在图3中,A和B是控制发作(ILAE 1)和光环(ILAE 2)在手术后1年和随后没有复发;他们有一个相对较低的节点异常负载。病人在图3 c最初只光环(ILAE 2)在手术后1年但后来复发;这个病人表现出更高的异常负荷。病人在图3 d异常负荷最高,最严重的手术结果ILAE 5 1年,这在后续持续。在这些4例,更大的异常负载在第一年与较差的预后相关,与癫痫复发。
(模拟)四个病人显示他们第一年手术结果和复发的信息。(A)和(B)患者低异常负载国际抗癫痫联盟(ILAE) 1和ILAE 2的结果,分别,没有复发。(C)许多患者异常节点剩余有ILAE 2的结果在第一年但随后复发。(D)大量的异常节点剩余一个病人5年来从未控制发作。(E)更不正常节点留在ILAE 3 +患者相比ILAE 1和ILAE 2病人。统计估计:ILAE 1 (n = 34)值6(95%可信区间[CI] 5 - 7.5);ILAE 2 (n = 8)值3 (95% CI 2 - 5.5);ILAE 3 + 8中位数(95% CI 5 - 10);p(ILAE 1 vs ILAE 3 +) = 0.005;d (ILAE vs ILAE 3 + 1) = 1.11 (95% CI 0.42 - -2.2);p (ILAE 2 vs ILAE 3 +) = 0.01;d (ILAE 2 vs ILAE 3 +) = 0.61 (95% CI 0.92−2.04)。(F)冲积流程图显示比例的患者复发ILAE 1或ILAE 2年1。(G) ILAE 1到2例,复发的人得多不正常的手术使网络中的节点。统计估计:没有复发(n = 14)中位数4.5 (95% CI 4 - 6);复发(n = 13) 8中位数(95% CI 5 - 15);p= 0.04;d = 0.77 (95% CI 0.01−1.31)。
图3 e显示了节点异常负载在手术使网络为整个病人队列。患者不能控制发作(ILAE 3 +)在手术后1年有一个异常负荷显著高于患者控制发作(p= 0.005 d = 1.11 (95% CI 0.42 - -2.2)之间ILAE 1和ILAE 3 - 5;和p= 0.01 d = 0.61 (95% CI 0.92−2.05)之间ILAE 2和ILAE 3 - 5)。在这里,我们选择分析ILAE 2作为一个单独的组,因为临床数据(表1和表S1,doi.org/10.5061/dryad.vx0k6djnv)表明,这些患者,尽管没有禁用发作在第一年,在晚年更有复发倾向。41学习只有最初控制发作的病人(即子集。在1年,ILAE 1 - 2) (图3中,F和G),复发的患者有较高的异常负载比无复发患者(p= 0.04;d = 0.77 (95% CI 0.01−1.31))。
节点异常图3计算从手术没有网络,被定义为至少10%的节点异常(z> 2.8)连接。在这个阈值的选择,控制发作之间的歧视(AUC)而不是控制发作组最高。比较结果发现其他阈值(补充图S1,doi.org/10.5061/dryad.vx0k6djnv),与另一个网络分割(补充图S4)。因此,节点的歧视性的能力异常负载测量在阈值的选择是一致的或分割方案的选择。
我们发现类似的结果在presurgery网络。病人ILAE 3到5比病人更异常节点ILAE 1。然而,这种效应的大小明显小于在手术没有网络,相对较贫穷的歧视性的能力(p= 0.03;d = 0.78 (95% CI 0.04 - -2.1)) (S1和S2补充数据,doi.org/10.5061/dryad.vx0k6djnv)。因此,我们的研究结果表明,手术没有网络,这是手术通知presurgery网络的子网,更重要的是歧视性的识别控制发作没有控制发作的病人。
14日影响减少异常负载
多少影响手术对减少异常负载吗?我们调查手术幸免之间的差异和presurgery网络的异常负荷以及预计的变化是否异常负荷由于手术是更大的和更广泛的在一个组相比,另一个结果。异常节点的比例在不同的大脑区域ILAE 1(控制发作)和ILAE 3到6所示(不控制发作)组图4,中间病人ILAE 2补充图所示S5,doi.org/10.5061/dryad.vx0k6djnv。
(A)的比例异常节点计算presurgery和手术没有网络是同侧和对侧的彩色6控制发作的大脑区域(国际抗癫痫联盟(ILAE) 1)组。(B)条图显示的下降的比例相比,手术使网络节点异常presurgery网络。误差线代表的标准误差的比例异常节点在每个区域。身体的同侧的颞显著下降t= 3.19,平均0.02(95%可信区间(CI) 0.01 - -0.04),p同侧皮层下(= 0.003),t= 4.31,平均0.04 (95% CI 0.02 - -0.06),p同侧枕(< 0.001),t= 2.94,平均0.06 (95% CI 0.02 - -0.11),p同侧额= 0.006),(t= 3.21,平均0.03 (95% CI 0.01 - -0.05),p= 0.002)区域是由恒星表示。(C)大脑不同区域presurgery和手术使网络的颜色根据异常节点的比例不能控制发作组(ILAE 3 +)。(D)相应的条图显示的下降的比例相比,手术使网络节点异常presurgery网络。同侧或对侧的没有一个区域显示显著减少的比例异常的节点。
手术空间程度而言,预期减少的比例异常节点更广泛的控制发作组比不能控制发作组。ILAE 1组显著下降的比例异常手术使网络中的节点相比,那些将要动手术的网络4侧地区:颞叶皮层下,枕叶和额叶(图4中,A和B)。ILAE 3 - 5组,异常节点的比例的下降不显著(同侧或对侧的任何领域图4中,C和D)。类似的手术相关效应被发现节点异常计算在不同的阈值(补充图S3,doi.org/10.5061/dryad.vx0k6djnv)。
的异常负荷的数量,减少病人ILAE 1比病人更大比例的减少ILAE 3 - 5 (p= 0.01;d = 0.81 (95% CI 0.2 - -1.4));然而,他们绝对减少没有显著差异(p= 0.14;d = 0.42 (95% CI 0.25−0.84),请参见图S5补充,doi.org/10.5061/dryad.vx0k6djnv)。因此,我们建议框架手术引起越来越广泛的减少异常负载控制发作组比不控制发作组。
另外12个月没收自由个性化预测表明在晚年ILAE类和复发
我们评估了普遍性的异常与其他临床使用时测量属性来预测患者的机会较贫穷的结果。实现嵌套交叉验证,我们建立了机器学习模型分类新看不见的(测试)患者属于ILAE 1或ILAE 3到5组12个月。我们的理由忽略患者ILAE 2训练阶段的模型,因为他们有开发癫痫倾向在晚年,因此他们躺在一个光谱之间的控制发作组和不能控制发作组。每个患者一个概率模型的得分也属于的类。值得注意的是,数据的模型被蒙蔽到3方面:(1)所有的病人在ILAE 2;(2)ILAE分类3、4和5(模型仅仅看到这些可怜的结果);并在晚年(3)的结果。
我们整合15特性的模型:13个临床属性,那些将要动手术异常负载,和手术异常负载。这些特性描述那些将要动手术的病人的属性,我们评价他们的基础上结合能力在准确预测手术结果1年。然而,一些功能可能比别人更少的信息预测手术结果;包括更少的信息特性会导致预测性能的下降。因此,通过实现逐步删除信息特征,我们获得术前的组合特性,确定了可怜的癫痫患者在手术后1年的结果在100%的情况下(即。特异性)。每一步的AUC特性消除绘制图5一个和放大1点(标有一个明星)的例子图5 b与相应的混淆矩阵插图所示。平均预测性能在所有逐步删除功能是健壮(AUC 0.84±0.07, 0.79±0.05准确性,特异性0.89±0.09,0.77±0.06)敏感性。补充表2,doi.org/10.5061/dryad.vx0k6djnv分类,汇总这些预测指标在控制发作,而不是在每一步控制发作的结果。较低的面板图5一个每个迭代的特性去除后地图功能的重要性。手术使网络中的节点异常突出最丰富的特性;这是> 1.5 SD离下一个最重要的特点:年龄手术和抗癫痫药物采取手术前的数量。因此,包括异常的措施”来形容那些将要动手术属性棘手的病童,导致患者高和健壮的分类性能预测手术结果在手术后1年。
(A)曲线下的区域(auc)的支持向量机(svm)预测控制发作(国际抗癫痫联盟(ILAE) 1)而不是控制发作(ILAE 3 +)结果在手术后1年在黑与95%可信区间(CI)策划的阴影。失明的确切ILAE类别,模型预测12个月为每个病人癫痫复发的可能性。癫痫复发的可能性之间的斯皮尔曼等级相关和手术结果的严重性(ILAE类)在第一年用绿色95%可信区间阴影。(一个)显示相对的低面板功能的重要性每个支持向量机标准化规模在0和1之间。最左边的SVM,绘制x = 1,合并所有15特性(13个临床、节点异常presurgery和手术没有网络)来预测控制发作(ILAE 1)而不是控制发作(ILAE 3 +)结果在手术后1年。在所有功能,手术幸免的相对重要性节点异常是最高的,而MRI异常的相对重要性是最少的。因此,在下一次迭代在x = 2,一种新的SVM使用14重新训练功能,删除后MRI异常特征。这个逐步删除指标一直持续到只有一个指标(手术幸免节点异常)依然存在。接受者操作特征曲线(B)在一个例子相结合的特性,取得了最高分类性能(AUC = 0.91 (95% CI 0.77 - -0.97),特异性= 1,敏感性= 0.79,= 0.84)准确性。(C)在同一点,相关(枪兵ρ= 0.70 (95% CI 0.25 - -0.93),p< 0.001)预测癫痫复发的可能性和严重性癫痫预后的第一年。预测癫痫复发的可能性明显不同(p= 0.003 d = 0.96 [95% CI 0.29−2.1])之间ILAE 2 (n = 8,中位数0.35 (95% CI 0.17 - -0.43))和ILAE 3 - 5例合并(n = 9,中位数0.48 (95% CI 0.44 - -0.61))。AED =抗癫痫药物。;HS =海马硬化。
接下来我们分析了分数/概率分配模型对每个病人手术结果不能控制发作。更大的概率表示在第一年预测术后癫痫的可能性更大。ILAE 3 +集团)。因为模型训练只对二进制ILAE 1和ILAE 3 - 5的结果,是蒙蔽ILAE类的光谱数据。我们发现,尽管这些信息被蒙蔽,癫痫复发的可能性预测ILAE呈正相关,手术结果规模在第一年(图5 c)。这种积极的协会是一致的,即使对模型训练只有手术幸免节点异常特性(图5一个)。斯皮尔曼ρ值绘制在每个步进式特征图5一个和放大的一个例子图5 c。确认这个结果,我们应用稳健回归得到回归斜率和测试的意义回归斜率的陡度使用排列测试(1000种排列,p在补充图S6 = 0.004,doi.org/10.5061/dryad.vx0k6djnv)。因此,我们的结果表明,那些将要动手术的病人的临床资料,评估以及异常的措施时,可以通知ILAE类的发作的结果,病人会在手术后1年。
信息是如何那些将要动手术的特性在预测长期癫痫复发?我们分析这个通过检查之间的关联预测癫痫复发的可能性和实际复发患者的数据控制发作在第一年(ILAE 1 - 2)。控制发作的患者在第一年(ILAE 3 - 5)并不包括在复发类别。我们没有发现与那些将要动手术时癫痫复发患者的特点使用组合的临床特征和网络异常的措施(补充图S7,doi.org/10.5061/dryad.vx0k6djnv)。然而,与复发出席重大协会年3,4,5,当那些将要动手术的病人的特点特征只使用手术幸免的异常负荷网络(图6)。长期癫痫复发的机制可能不同于短期复发,和那些将要动手术临床属性可能不太丰富。协会之间的我们发现异常负荷预计将出现在一个病人手术后复发和扣押激励更多的调查。
预计12个月癫痫复发的可能性估计的支持向量机模型训练只有手术幸免节点异常特征。癫痫患者的复发的可能性没有控制发作(即。在第一年,ILAE 3 - 5)所示红色。在最初控制发作的患者(即。,ILAE1or ILAE 2 at year 1), higher likelihood of seizure relapse was predicted for those who had a subsequent relapse. This is despite the model being blinded to the outcomes at later years. Year 2 statistical estimates: no relapse (n = 39) median 0.10 (95% confidence interval [CI] 0.08–0.13); relapse (n = 3) median 0.18 (95% CI 0–0.66);p= 0.20;d = 1.21 (95% CI 0.78−9.08)。三年级统计估计:没有复发(n = 29)中位数0.11 (95% CI 0.08 - -0.13);复发(n = 8)中位数0.18 (95% CI 0.05 - -0.63);p= 0.03;d = 1.24 (95% CI 0.19−2.84)。4年统计估计:没有复发(n = 21)中位数0.11 (95% CI 0.08 - -0.13);复发(n = 11)中位数0.18 (95% CI 0.05 - -0.41);p= 0.05;d = 0.87 (95% CI 0.16−1.7)。5年统计估计:没有复发(n = 14)中位数0.09 (95% CI 0.08 - -0.13);复发(n = 13)中位数0.18 (95% CI 0.11 - -0.24);p= 0.02;d = 0.79 (95% CI 0.12 - -1.3)。nSR =没有癫痫复发;SR =癫痫复发。
总之,我们取得了出色的表现,预测癫痫发作的结果在棘手的患者1年框架根据异常的措施进行评估和临床属性。那些将要动手术结合分析病人属性也是信息的成绩在第一年发作的结果(ILAE类)。除了手术后的第一年,手术使网络中节点异常还建议增加癫痫复发的风险在那些最初的病人禁用癫痫的自由在第一年。
讨论
我们外科协会的调查结果和复发异常负载在那些将要动手术全脑网络计算和手术子网。患者更有可能有一个贫穷的发作的结果在手术后1年或5年如果更多的癫痫复发手术使网络节点出现异常。调查手术异常载荷的空间效果,我们发现控制发作组患者有一个更广泛的减少异常节点。我们发现的异常负荷presurgery和手术没有网络,结合临床病人的属性,不广义预测控制发作的结果(ILAE 1和ILAE之间3 +)在手术后12个月有100%的特异性和AUC的0.91。这个病人属性的特征相结合,我们预测patient-specifically癫痫复发的可能性,这是与ILAE类,因此信息的发作的结果预计在手术后12个月。最后,我们表明,节点异常位于手术使网络可能是一个标记,表明患者最初控制发作,但复发后手术的第一年和5年。
最近的一项研究在不同的数据集不同成像协议进行网络异常的个性化的预测手术结果。13在这个研究中,presurgery网络构造的基础上简化连接不同地区的数量。类似于我们的研究中,roi规范化(之间的联系z转换)对控制分布。我们的研究结果表明,(1)之间的相似性标准化病人网络使用本地控制分布可能使再现性,网站之间的比较,并可能分组的患者和(2)的个性化网络生物标志物预测框架具体参与结果的可能性是有可能的。我们进一步显示的好处将手术的位置信息来预测手术的结果。
当前标准的个性化主要依赖于临床手术结果的预测变量。42然而,最近的一次审查讨论了不同研究之间不和谐的结果;特性发现癫痫预后的预测有些不预测研究。30.令人鼓舞的是,另一项研究估计的概率没收自由使用组合多达27个临床变量的混合框架和框架extratemporal患者群。9我们的研究结果表明,结合临床变量与大脑connectome-derived等特性异常负载presurgery和手术没有网络可以在短期内改善预测的手术结果。特别是对于长期预测,异常的手术没有网络,将手术后,可能是一个更可靠的测量,因为他们与复发。毫不奇怪,长期癫痫复发相关参数预测短期结果不好,因为这两个反应可能有非常不同的机制。短期的失败可能是由于一个不完整的切除手术,而长期复发可能是由于网络的变化随着时间的推移,手术后或另一个病灶的发展。43因此,我们建议把我们的节点异常测量与临床变量在一个大型mixed-cohort病人9提高人口估计没收自由/手术后复发的概率。我们建议调查手术使网络在特定的异常负荷叶可能会揭开一个更强的长期癫痫复发的关系。
在多元数据,结合机器学习技术描绘,等级,训练集的输入特性适合画一个决策边界在高维空间最大化的预测。13,14,20.,21,44而二进制分类控制发作,而不是控制发作的结果在12个月很重要,预测长期轨迹没收自由也告知临床管理决策的关键。在我们的研究中,分类器不仅预测手术结果1年但还预测癫痫复发的可能性。这个额外的信息可能是临床上有用的建议病人手术后的不良预后显著的机会第一12个月。
癫痫手术的结果将不仅取决于手术前的大脑网络还有手术的位置和程度。21,45在这里,我们回顾包括手术的信息通过手术切除面具和推断一个预期没有网络。我们表明,这些信息提高了预测性能比presurgery网络,这是天真的手术信息。我们工作的一个限制是,我们只是推断预计术后网络从术后dMRI数据而不是派生。43,46然而,实际使用术后dMRI数据分析将只有非常有限的价值而言,提高术前决策结果后才可以看到因为手术已经完成。相比之下,我们的方法可以用在实际手术前评估成功的可能性。未来的应用程序需要画一个预定的手术切除面具的sMRI病人手术前获得。21我们设想了一个软件工具的多个标准操作或定制切除术可以和他们的影响异常负载相比。这样的工具可以用于前瞻性指导决策关于个性化切除策略。
关于手术切除的范围,它已经表明,组织切除的数量并不一定与改进的手术结果。47然而,什么是包含在切除可能产生重大影响的结果。48,49问题出现了:将一个定制的切除,旨在减少异常节点的数量,导致更好的结果?虽然还需要更多的研究来证实这一假设,我们发现控制发作病人组降低更广泛的异常负荷由于手术。模拟计算机模型可能促进一个更详细的分析调查以个性化的方式替代手术策略。19
我们的研究必须的上下文中解释一些警告。节点异常可能是代表(1)网络重组发作,(2)神经退化过程由于癫痫发作,(3)结构促进癫痫,或1到3的组合。在我们的研究中我们不能解决这些方面对节点异常。我们没有发现任何显著的临床变量之间的相关性和节点异常。虽然样本容量相当大,13,14,16,20.这不是规模的典型的流行病学研究。神经结构取决于几个participant-specific因素,包括语言优势,偏手性和其他生理变量。这些关系可能会进一步影响节点异常测量。因此,我们的结果应该激发更大的研究来测试它的普遍性,理想情况下跨多个网站。最后,我们强调,那些将要动手术,手术的基础上使网络和临床变量,至少1在5年内复发的机会。然而,发作缓解和复发的轨迹更为复杂。病人可能反复缓解和复发药物影响,环境因素或其他原因。
我们有证据显示节点异常的手术结果及其严重程度的一个重要的标记在手术后1年。节点异常也会导致长期癫痫复发的可能性。我们将演示时改善预测性能包括手术信息presurgery网络和临床数据。我们相信这是一个重要的一步补充临床决策框架棘手的病人和手术选择和病人咨询手术后发作严重程度的风险预期。
研究资金
P.N.T.由Wellcome Trust (105617 / Z / 14 / Z 210109 / Z / 18 / Z)。陈怡如由Wellcome Trust (208940 / Z / 17 / Z)。扫描采集和G.P.W.由MRC (G0802012先生/ M00841X / 1)。
披露的信息
作者报告没有披露相关的手稿。去首页Neurology.org/N为充分披露。
承认
n是支持的卓越研究学院,英国纽卡斯尔大学。作者感谢加布里埃尔·施罗德PawełWidera、翳明黄Sriharsha Ramaraju,和跨学科的计算和复杂的生物系统研究小组的其他成员和计算神经学、神经学和精神病学实验室讨论。首页S.B.V.支持由国家卫生研究所伦敦大学学院医院生物医学研究中心。作者感谢癫痫协会支持癫痫协会MRI扫描仪。这项工作得到了国家卫生研究院伦敦大学学院医院生物医学研究中心。
附录的作者
脚注
去首页Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
这篇文章加工费是由威康信托基金会(105617 / Z / 14 / Z)。
编辑、页面195年
类的证据:NPub.org/coe
188bet官网app网址播客:NPub.org/hqyj13
- 收到了2019年10月16日。
- 接受的最终形式2020年9月24日。
- 版权©2020年作者(年代)。发表的Wolters Kluwer健康,公司代表美国神经病学学会。首页
这是一个开放的分布式根据文章知识共享归属许可4.0 (CC),它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
