要点
- 一项多中心研究识别出可预测颞叶癫痫（temporal lobe epilepsy, TLE）手术后长期发作复发的脑枢纽破坏模式。
- 一种整合结构和功能 MRI 连接组学的多模态机器学习模型，在预测无发作方面优于临床预测因子。
- 海马和背侧注意网络枢纽的破坏——这些区域并非常规手术靶区——与发作复发相关。
- 该模型具有较高特异度，提示其更适用于术后咨询和风险分层，而非用于排除手术候选者。
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，且常对抗癫痫药物耐药。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，但约有 30%～50% 的患者会在数年内出现长期发作复发。目前的预后标志物主要为临床变量和常规影像学，预测哪些患者会复发的准确性有限。
近年来，脑网络神经科学的发展强调了被称为“枢纽（hub）”的高度连接脑区在维持脑功能整合中的作用。此类枢纽的破坏可能反映出超出手术病灶范围的致痫网络。借助结构和功能 MRI 连接组学对枢纽完整性进行表征，有望改善预后判断。
研究设计
本前瞻性、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。纳入标准要求术后至少随访 2 年（平均随访 5.4 年）。术前神经影像学检查包括弥散加权 MRI 和静息态功能 MRI，用于获得个体化的结构和功能脑连接组。
研究使用由 362 例健康对照组成的标准数据集，基于图论指标定义标准脑连接枢纽，具体采用参与系数（participation coefficient）——用于衡量某一脑区与多个子网络之间连接程度的指标。研究通过将患者的参与系数与标准值比较，量化这些枢纽的个体特异性破坏。
随后，机器学习分类器基于这些来自结构、功能及联合多模态数据的患者特异性破坏指标进行训练，以预测术后癫痫结局，并将结局二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。另有独立队列用于验证模型性能。
主要发现
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，综合模型在各验证队列中的平均特异度为 80.0%（SD 9.9%），阴性预测值为 63.9%（SD 3.6%），达到中等至较高水平。
Shapley Additive Explanation（SHAP）分析识别出长期发作复发的关键预测因子：海马以及背侧注意网络内连接枢纽的参与系数受损。这些区域并非标准 TLE 手术中常规靶向部位，提示切除区之外残余的网络破坏可能促进癫痫复发。
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补充工具使用，而非作为手术排除标准。
专家点评
该研究体现了将脑网络科学应用于 TLE 临床管理的重要进展。通过从 MRI 连接组中量化标准化的枢纽破坏指标，并结合机器学习进行整合，研究提出了具有生物学合理性的生物标志物，可反映癫痫超出局灶病变之外的全脑网络影响。
对背侧注意网络等区域枢纽破坏的识别，拓展了对致痫过程的理解，即其涉及分布式网络功能障碍，这与将癫痫视为网络性疾病的概念模型一致。这可能为未来手术规划或针对网络层面异常的辅助治疗提供依据。
在独立队列中进行模型验证提高了其泛化能力，弥补了既往仅限于单中心和小样本预测研究的局限。然而，中等敏感度也提示该模型目前尚不足以作为一线手术候选者筛选工具，其更适合作为术后风险分层和患者咨询的补充手段。
后续研究应探讨其与电生理数据的整合，并在不同癫痫亚型中进一步验证。明确术后是否可以通过调节枢纽破坏来改变结局，也可能开辟新的治疗方向。
结论
通过多模态 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。
该模型具有较高特异度和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。该研究展示了先进神经影像学与网络神经科学的转化潜力，可作为传统临床预测因子的补充，从而改善个体化癫痫管理。随着网络型生物标志物的持续验证与优化，未来有望为手术规划及靶向辅助治疗的开发提供依据，以改善长期发作控制。
经费与临床试验注册
本研究获得了相关癫痫研究基金会和 NIH/NINDS 的资助。详细信息见原始发表论文。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