研究亮点
- 颞叶癫痫（Temporal Lobe Epilepsy, TLE）术后长期癫痫发作复发与脑网络枢纽受损相关，尤以海马和背侧注意网络最为显著。
- 将结构和功能 MRI 生成的 connectome 结合起来，较单纯临床变量可更准确地预测癫痫发作复发。
- 基于规范性枢纽受损指标的机器学习模型具有较高特异度，且有望用于术后临床风险分层。
- 已识别的生物标志物提示，癫痫发作复发的驱动因素可能并不局限于已切除的颞叶区域，而是涉及更广泛的网络。
研究背景
颞叶癫痫（TLE）是成人最常见的局灶性癫痫，且常对药物治疗无效。包括切除术和激光消融术在内的外科干预，短期内可带来较高的无发作率。然而，在长期随访中，约 50% 的患者会出现癫痫发作复发，显著影响生活质量并增加发病负担。尽管已有若干临床与影像学预测因素被提出，但针对术后长期癫痫发作复发的可靠生物标志物仍然有限。
近年来的研究提示，脑网络功能障碍，尤其是高度连接的区域或“枢纽（hubs）”异常，参与了癫痫的病理生理过程。这些枢纽的受损可能是即使完成切除后仍持续致痫并发生复发的基础。本研究旨在评估：通过先进 MRI connectomics 分析测得的规范性脑枢纽受损，能否预测接受手术治疗的 TLE 患者的长期癫痫结局。
研究设计
本前瞻性、多中心队列研究纳入来自 6 个癫痫中心的 175 例药物难治性 TLE 患者，均接受切除术或激光消融术。纳入标准要求术后随访至少 2 年，平均随访时间为 5.4 年。术前影像学检查包括用于结构连接组分析的扩散加权 MRI，以及用于功能连接分析的静息态功能 MRI。
规范性枢纽定义基于来自多个中心的 362 名健康对照者建立。研究使用图论方法识别脑网络枢纽，并重点采用参与系数（participation coefficient）评估跨网络整合程度。随后量化患者个体相对于这些规范性枢纽的受损情况。研究训练了 3 个机器学习模型以分类癫痫结局：结构 connectome 受损模型、功能 connectome 受损模型，以及结合二者的多模态模型。模型还纳入了人口学与临床变量，以及灰质和白质体积。
模型性能通过独立患者队列进行验证。研究采用 Shapley Additive Explanation（SHAP）分析，以解释特定脑区对模型预测的贡献。
主要结果
结合结构与功能枢纽受损的多模态模型，显著优于仅使用临床变量及单模态影像数据的模型。该整合方法区分无发作与复发患者时，平均特异度为 80.0%（SD 9.9%），阴性预测值为 63.9%（SD 3.6%），处于中高水平。
SHAP 分析提示，海马以及背侧注意网络内的连接枢纽对长期癫痫发作复发的预测作用最强。值得注意的是，背侧注意网络区域通常并非 TLE 手术的直接靶区。与这些枢纽相关的灰质和白质区域均可观察到受损。
相较之下，规范性枢纽受损较轻的患者更可能维持长期无发作状态，提示维持全脑网络完整性对于获得持续的手术成功至关重要。相反，枢纽受损提示致痫网络可能在手术范围之外仍然残留。
本研究并非以安全性结局为主要关注点，但未报告与影像采集或模型实施相关的不良影响。不同中心之间未见预测准确性下降，提示该模型具有良好的泛化能力。
专家点评
本研究将新兴的网络神经科学原理与临床癫痫学相结合，推进了该领域的发展。其多中心、大样本设计以及独立验证队列的纳入，增强了研究结果的可信度。以规范性网络作为患者特异性受损的参照框架，提升了生物学可解释性，较传统“黑箱”模型更进一步。
对背侧注意网络等意外枢纽的识别，挑战了仅聚焦致痫性颞叶的传统范式。这也与越来越多的证据相一致，即癫痫是一种涉及分布式回路的网络性疾病。
研究仍存在一定局限性，包括各中心影像采集方案可能存在异质性；不过，这一问题已通过较大的对照队列和稳健的协调化处理在一定程度上得到缓解。药物影响或共病等残余混杂因素仍需进一步研究。
在临床上，该模型对癫痫发作复发具有较高特异度，因此更适用于术后咨询和风险分层，而非作为否定手术决策的依据。若能应用于常规临床实践，可用于指导个体化随访强度以及辅助治疗决策。
未来研究可进一步整合电生理数据，并探索网络随时间变化的动态特征。还需要前瞻性干预性研究，以明确调节网络受损是否可改善预后。
结论
基于多模态 MRI connectomics 评估的规范性脑枢纽结构受损，可作为预测颞叶癫痫术后长期癫痫发作复发的稳健生物标志物。该方法在传统临床因素之外进一步提升了风险分层能力，并为理解癫痫复发的网络基础提供了具有生物学可解释性的线索。这些发现为将网络层面的生物标志物整合至精准癫痫外科及术后管理策略奠定了基础。
资金支持与 ClinicalTrials.gov
原始材料未提供具体资助来源及临床试验注册信息。后续发表可能会补充这些内容。
参考文献
Karpychev V, Roth RW, Yun W, Davis KA, Drane DL, Bagić AI, Dugan PC, Stein JM, Pardoe HR, Parashos A, Kuzniecky R, Laxpati NG, Bonilha L, Gleichgerrcht E. Prediction of Long-Term Postsurgical Seizure Recurrence From MRI Brain Hub Disruption in Patients With Temporal Lobe Epilepsy. Neurology. 2026 Aug 12;107(5):e218416. PMID: 42585607.
关于 MRI connectomics、癫痫网络模型及手术结局的其他相关参考文献，可检索 PubMed 收录文献获取。