MRI连接组学揭示脑网络破坏可预测颞叶癫痫术后长期发作复发

要点

• 多中心研究识别出可预测颞叶癫痫（Temporal Lobe Epilepsy，TLE）术后长期发作复发的脑枢纽破坏模式。
• 一种结合结构和功能 MRI 连接组的新型多模态机器学习模型，在预测无发作结局方面优于临床预测因子。
• 海马及背侧注意网络枢纽的破坏——这些区域并非常规手术靶点——与发作复发相关。
• 该模型特异度较高，提示其更适用于术后咨询和风险分层，而非将患者排除在手术之外。

研究背景

颞叶癫痫（Temporal Lobe Epilepsy，TLE）是成人最常见的局灶性癫痫综合征，且常对抗癫痫药物治疗无反应。对致痫区进行外科切除或激光消融，可望实现治愈或显著减少发作。尽管许多患者在术后早期即可达到无发作状态，但约30%—50%的患者会在数年内出现长期发作复发。当前的预后标志物主要包括临床变量和常规影像学指标，但对于哪些患者会复发，其预测准确性有限。

近年来，脑网络神经科学的进展强调了被称为“枢纽（hub）”的高连接性脑区在维持脑功能整合中的作用。枢纽破坏可能反映了超出手术病灶范围的致痫网络。通过结构和功能 MRI 连接组学刻画枢纽完整性，为改善预后评估提供了新的途径。

研究设计

这项前瞻性多中心队列研究纳入了175例药物难治性 TLE 患者，这些患者在6个中心接受了切除术或激光消融术。纳入条件要求术后至少随访2年，平均随访时间为5.4年。术前神经影像学检查包括扩散加权 MRI 和静息态功能 MRI，用于生成个体化结构和功能脑连接组。

研究使用由362名健康对照组成的标准数据集，通过图论指标来定义标准脑连接枢纽，具体为参与系数（participation coefficient），该指标用于衡量某一脑区与多个子网络之间的连接情况。研究通过将患者的参与系数与标准值比较，量化其特异性枢纽破坏程度。

研究者基于这些来自结构、功能及二者结合的多模态数据所获得的患者特异性破坏指标，训练了机器学习分类器，以预测术后发作结局（分为无发作或非无发作）。模型还纳入了临床和人口学信息，以及灰质和白质体积。另以独立队列验证模型性能。

主要结果

结合结构和功能连接组数据的多模态方法，其预测性能优于仅使用临床/人口学数据或单一模态影像数据的模型。具体而言，综合模型在验证队列中的平均特异度为80.0%（标准差9.9%），阴性预测值为63.9%（标准差3.6%），属于中等至较高水平。

Shapley Additive Explanation（SHAP）分析识别出长期发作复发的关键预测因子：海马的参与系数受损，以及背侧注意网络内连接枢纽的受损。这些区域并非标准 TLE 手术的常规靶点，提示切除区域之外残余的网络破坏可能促进发作复燃。

较高的特异度表明，该模型尤其擅长正确识别可能维持无发作状态的患者，这对于术后管理和咨询具有重要意义。尽管敏感度中等，但阴性预测值支持其作为辅助工具使用，而非作为手术的最终排除标准。

专家点评

这项研究是在将脑网络科学应用于 TLE 临床管理方面的重要进展。研究通过 MRI 连接组对标准枢纽破坏进行量化，并借助机器学习进行整合，提出了具有生物学合理性的生物标志物，反映了癫痫超越局灶病变的全脑网络影响。

对背侧注意网络等区域枢纽破坏的识别，将对致痫过程的理解扩展到分布式网络功能障碍，符合将癫痫视为网络性疾病的概念模型。这一发现可能有助于未来的手术规划或针对网络层面异常的辅助治疗。

在独立队列中的模型验证增强了其可推广性，弥补了以往仅限于单中心和小样本研究的局限。然而，中等敏感度也提示该模型目前尚不适合作为一线手术候选者筛选工具，更多应用于术后风险分层和患者咨询。

后续研究应探索其与电生理数据的整合，并在不同癫痫亚型中进行验证。若能明确术后是否可通过干预枢纽破坏来改善结局，也可能开辟新的治疗路径。

结论

基于多模态 MRI 连接组学识别出的标准脑枢纽破坏，是预测接受颞叶癫痫手术患者长期发作复发的有前景生物标志物。

该模型较高的特异度及良好的生物学可解释性，支持其在术后预后评估和个体化患者咨询中的临床应用价值。该研究体现了先进神经影像学与网络神经科学在补充传统临床预测因子、改善个体化癫痫管理方面的转化潜力。对网络基础生物标志物持续进行验证和优化，最终或可为手术规划及靶向辅助治疗的开发提供依据，从而改善长期发作控制。

资金来源与临床试验注册

本研究由相关癫痫研究基金会及 NIH/NINDS 资助。完整信息详见原始发表文献。未报告临床试验注册号。

参考文献

1. Karpychev V, Roth RW, Yun W, et al. Prediction of Long-Term Postsurgical Seizure Recurrence From MRI Brain Hub Disruption in Patients With Temporal Lobe Epilepsy. Neurology. 2026;107(5):e218416. doi:10.1212/WNL.0000000000008416
2. Bernhardt BC, Bonilha L, Gross DW. Network analysis for epilepsy: insights from neuroimaging. Nat Rev Neurol. 2015;11(3):146–159. doi:10.1038/nrneurol.2015.3
3. Bonilha L, Nesvick CL, Suarez RO, et al. Presurgical connectome and postsurgical seizure control in temporal lobe epilepsy. Neurology. 2015;84(18):1846-1853. doi:10.1212/WNL.0000000000001532
4. Liao W, Zhang Z, Pan Z, et al. Altered functional connectivity and small-world in mesial temporal lobe epilepsy. PLoS One. 2010;5(1):e8525. doi:10.1371/journal.pone.0008525