基于卷积神经网络的耐药癫痫早期预测

2024-06-17 Mon

研究背景及研究目的

癫痫是一种自发性且严重的神经系统疾病，表现为反复发作，全球有大约5000万人受其影响[1]。尽管近年来抗癫痫药物（ASM）的发展有所进步，药物难治性癫痫（Drug-Resistant Epilepsy，DRE）仍影响着20%到30%的癫痫患者[1-3]。DRE患者不仅面临巨大的经济、社会和心理负担，但需长时间的药物试验才能确诊。早期识别高风险患者，可以为施行如癫痫手术、神经调控或生酮饮食等治疗方式提供更早的干预。

以往的研究已指出DRE的风险因素包括：早期发病、高频率发作、脑电图（EEG）异常、神经缺陷、认知障碍、创伤史和颅内结构病变等[5-9]。然而，对于新诊断的癫痫患者，这些因素的重要性尚不明确，因此需要综合工具来早期识别高风险患者。

脑电图在癫痫领域扮演着不可或缺的角色，包括在癫痫诊断、治疗、预后及长期管理中[12-14]。一些研究已经尝试使用EEG特征去预测ASM的治疗结果，但主要集中于可见的EEG特征，如癫痫样放电和δ波段的功率谱。然而，一些不可见的EEG参数，如功率、频率、连贯性和功能连接，可能也与预后相关。随着深度学习的发展，可以提取出更多、更深层次的EEG参数来辅助预测治疗结果。

机器学习是一种能够从数据自动总结出规则并构建预测模型的方法，近年来在医学领域应用广泛[15]。深度学习作为机器学习的一个重要分支，能够自动提取各种特征，处理大规模数据，获得准确的分类结果[16-17]。卷积神经网络（Convolutional Neural Network，CNN）是深度学习的常用方法之一，已被广泛应用于自动癫痫发作检测和癫痫样放电的研究中[16,18-19]。目前，传统机器学习方法结合提取特征用于预测DRE的效果仍不尽人意，因此本研究首先探索了手动提取特征并开发模型来预测DRE。

研究论文来源与作者信息

该研究论文由杨士君、李珊珊、王汉林、李金兰、王从平和刘群辉等人合作完成，他们分别来自湖北省恩施土家族苗族自治州中心医院的神经内科与医疗超声科，以及西安交通大学医学院。论文发表于《Seizure: European Journal of Epilepsy》2024年第114期，文章在线发布于2023年12月16日。

研究方法与实验流程

研究对象与排除标准

本研究为回顾性研究，研究对象为2016年1月至2022年6月期间在恩施州中心医院神经内科接受诊治的新诊断癫痫患者，共101名患者。所有参与者需符合以下纳入标准：新诊断的成人癫痫患者、完整的病历、在ASM治疗前进行过EEG和MRI检查以及定期随访。排除标准包括：存在癫痫综合征、既往神经系统疾病、妊娠期妇女、在进行EEG前服用对神经系统有影响的药物、病历记录不清及依从性差的患者。

数据处理与预处理

本研究采用的EEG数据为患者在启动ASM治疗前24小时内记录，采样频率为256 Hz。每位患者包含10段90秒的EEG信号，总共有1010段信号。数据预处理中，为去除伪影，采用了多种方法，包括去除无用电极、滤波、重新参考、分段和基线校正、剔除不良段、独立成分分析和噪声消除，最后通过pandas函数将原始数据转化为一维的“.xls”文件格式。

卷积神经网络模型的开发

CNN是一种常见的信号和图像处理方法，在本研究中用来自动提取原始EEG信号的特征，并简化高级特征。CNN的结构包括卷积层、展平层和全连接层。其中，卷积层通过卷积运算自动提取EEG特征；展平层将EEG数据展平，提高运算速度和特征的鲁棒性；全连接层用于获取神经网络提取的特征。激活函数采用Rectified Linear Unit (ReLU)，用于输出的函数采用Softmax。

系统评估与统计分析

为了评估模型性能，采用了多种评估指标，包括准确率（accuracy）、特异性（specificity）、精确度（precision）、敏感性（sensitivity）、F1分数（F1-score）、Kappa统计量、均方误差（MSE）和曲线下面积（AUC）。其中，各指标的计算公式如下：

准确率 (accuracy) = (TP + TN) / (TP + FN + FP + TN)
特异性 (specificity) = 1 - (FP / (FP + TN))
精确度 (precision) = TP / (TP + FP)
召回率 (recall) = TP / (TP + FN)
F1 分数 (F1-score) = 2 * (precision * recall) / (precision + recall)
Kappa 统计量 = (observed accuracy - expected accuracy) / (1 - expected accuracy)
均方误差 (MSE) = (1/N) * Σ(observedi - predictedi)
曲线下面积 (AUC) = Σ(rankinsi ∈ positive class) / (m * (m + 1)) - m / n

我们分别开发了EEG模型和基于临床与EEG信号的临床-EEG模型，两者皆采用7层架构，包括2个卷积层、1个展平层和4个全连接层。两个模型在训练集上进行30次迭代，并通过测试和验证得出最终结果。

研究结果

在我们的研究中，最终纳入了101名患者（其中78人为药物敏感型癫痫，23人为DRE）。通过临床和EEG特征的组合来预测新诊断癫痫患者的DRE，取得了较好的效果。在EEG模型的测试集中，准确率、特异性、精确度、敏感性、F1分数、Kappa统计量、最优MSE和AUC分别为0.99、0.59、0.82、0.90、0.86、0.72、181.76和0.76；在验证集中，准确率为0.81。临床-EEG模型的测试集中，各项指标分别为0.99、0.72、0.82、0.96、0.89、0.83、32.00和0.81；在验证集中，准确率为0.84。

研究意义及应用价值

本研究开发并验证了EEG模型和临床-EEG模型，用于预测新诊断癫痫患者的DRE，为早期识别DRE高风险患者提供了新的工具。这些模型通过结合临床和EEG数据，不仅提高了预测准确性，还能帮助临床医生在早期对患者进行更具针对性的治疗决策，避免了反复失败的ASM试验。

研究亮点与创新点

高性能预测模型：模型表现优异，尤其是临床-EEG模型，在准确率、特异性、精确度等各项指标上均表现出色。
临床应用前景广阔：该模型利用临床与EEG特征的结合，具有较高的实用性和临床价值。
对新诊断癫痫患者的早期干预：通过早期识别高风险患者，可以更早的施行其他治疗方式，提高患者生活质量。

研究总结

本研究开发并验证了一个有效的EEG和临床-EEG模型，用于预测新诊断癫痫患者的DRE。这一研究不仅拓展了深度学习算法在癫痫预测中的应用范围，也为临床实践提供了一个可靠的工具，有助于早期识别高风险患者，实现更为精准和个性化的治疗。