一种射频热凝损毁癫痫灶术后效果评估方法与流程

1.本发明属于医学电生理辅助评估检查技术领域，尤其涉及一种射频热凝损毁癫痫灶术后效果评估方法。


背景技术：

2.癫痫是一种由神经元异常放电引起，以突发性的反复发作为特征的脑部疾病。癫痫在临床表现上具有痫性发作、短暂性、刻板性等特点。立体定向脑电图(seeg)是一种相对安全且能够较为准确地进行术前定位癫痫灶的微创评估方法。seeg通过置入多导联立体定向电极来记录颅内电生理活动，医生读取seeg脑电图上记录到的大脑异常放电来判断癫痫灶的具体位置，为手术提供指导。射频热凝毁损手术(rf-tc)是通过本身置入的电极输入高能电流产生热量，对电极所在位置周围组织进行加热凝固，使组织变性以达到损毁癫痫灶的目的。基于立体定向脑电图的射频热凝毁损癫痫灶技术(rf-tc)是一种微创技术，当切除手术不可行时，它被用于精确地破坏和损毁大脑深部致痫性的结构。射频热凝毁损癫痫灶的技术具有创伤小，感染风险低的优点。在热凝毁损术后，临床上通常对患者进行长期的随访，通过随访结果来评估患者的热凝毁损手术效果。随访的时间节点一般为术后三个月，术后半年，术后一年，术后两年，每次随访医生会根据患者的实际情况给予术后效果评定。


技术实现要素：

3.本发明的目的在于提出一种射频热凝损毁癫痫灶术后效果评估方法，基于热凝后实现癫痫不发作的患者的脑电网络更接近正常人的脑电网络这一假设，通过对比热凝毁损前后脑网络拓扑学特征的变化规律，从而通过这些脑网络特征的变化结合机器学习模型训练后预测热凝损毁术后的效果。
4.为实现上述目的，本发明提供了一种射频热凝损毁癫痫灶术后效果评估方法，包括以下步骤：
5.根据射频热凝损毁术前和术后发作间期睡眠状态下的立体定向脑电图数据，对所述立体定向脑电图数据进行预处理；
6.设置若干阈值，选择最优阈值；
7.构建热凝前脑网络和热凝后脑网络，提取热凝前脑网络特征和热凝后脑网络特征，比较所述热凝前脑网络特征和所述热凝后脑网络特征，获取热凝前后脑网络特征差异，根据所述热凝前后脑网络特征差异构建预测模型，对射频热凝损毁癫痫灶术后效果进行预测，判断是否实现无癫痫发作。
8.可选的，对所述立体定向脑电图数据进行预处理方法包括：采用双极参考，进行了1.5hz的高通滤波和49-51hz的陷波滤波，再将所有数据统一降采样到250hz。
9.可选的，设置若干阈值，选择最优阈值方法包括：
10.两点之间的直连路径长度大于间接路径长度，则将连接矩阵中两节点之间的直接连接删除，在连接矩阵上的连接强度值设为0，即两点之间的直接距离为无穷大，网络中两
节点之间的距离由最小路径法计算。
11.可选的，所述热凝前脑网络特征包括：特征路径长度l1、平均聚类系数c1、介度中心性系数bc1、同配性系数r1；所述热凝后脑网络特征包括：特征路径长度l2、平均聚类系数c2、介度中心性系数bc2、同配性系数r2。
12.可选的，比较所述热凝前脑网络特征和所述热凝后脑网络特征的方法包括：采用符号秩和检验法分别对射频热凝损毁术前组与术后组、预后良好组与预后欠佳组的差异进行检验。
13.可选的，根据所述热凝前后脑网络特征差异构建预测模型方法包括：将特征数据分别以逻辑回归的显著性和优势比，方差分析的f值，卡方统计量为指标的过滤，递归特征消除法的包装法，通过特征筛选方法独立推荐各特征子集，从中筛选出被多数推荐方法独立推荐的特征构建预测模型。
14.可选的，对射频热凝损毁癫痫灶术后效果进行预测包括：使用支持向量机、决策树、逻辑回归和引导聚集算法模型对射频热凝损毁术后效果进行预测，获取预测指标并采用四折交叉验证对预测模型进行训练。
15.可选的，判断是否实现无癫痫发作包括：将所述预测指标应用于临床热凝手术效果的评估，通过分析术后脑网络拓扑特征的变化来预测是否可实现无癫痫发作。
16.本发明技术效果：本发明公开了一种射频热凝损毁癫痫灶术后效果评估方法，基于热凝后实现癫痫不发作的患者的脑电网络更接近正常人的脑电网络这一假设，通过对比热凝毁损前后脑网络拓扑学特征的变化规律，从而通过这些脑网络特征的变化结合机器学习模型训练后预测热凝损毁术后的效果。
附图说明
17.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1为本发明实施例射频热凝损毁癫痫灶术后效果评估方法的流程示意图；
19.图2为本发明实施例射频热凝损毁术前术后脑网络特征差异；
20.图3为本发明实施例脑网络术后与术前特征变化的统计学分析；
21.图4为本发明实施例脑网络术后效果良好与欠佳组个体结果；
22.图5为本发明实施例机器学习预测术后效果模型性能。
具体实施方式
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
25.如图1-5所示，本实施例中提供一种射频热凝损毁癫痫灶术后效果评估方法，包括以下步骤：
26.根据射频热凝损毁术前和术后发作间期睡眠状态下的立体定向脑电图数据，对所
述立体定向脑电图数据进行预处理；
27.设置若干阈值，选择最优阈值；
28.构建热凝前脑网络和热凝后脑网络，提取热凝前脑网络特征和热凝后脑网络特征，比较所述热凝前脑网络特征和所述热凝后脑网络特征，获取热凝前后脑网络特征差异，根据所述热凝前后脑网络特征差异构建预测模型，对射频热凝损毁癫痫灶术后效果进行预测，判断是否实现无癫痫发作。
29.使用立体定向技术置入seeg电极，每根电极上有8-18个电极点，每个电极点之间的间距为1.5mm。seeg的采样率为1000hz或2000hz。本发明选取患者睡眠期术前和术后的颅内脑电数据，截取的睡眠脑电数据时长为120秒。本发明选取最后一次热凝后的seeg数据作为术后数据进行分析。
30.本发明对原始的seeg数据进行预处理，其预处理方法和流程如下：采用双极参考，进行了1.5hz的高通滤波和49-51hz的陷波滤波，再将所有数据统一降采样到250hz。本发明采用格兰杰因果连接的部分定向相干(pdc)和定向相干函数(dtf)作为格兰杰因果理论的直接有效连接方法，在本发明中被用来构建癫痫实施射频热凝损毁术seeg功能脑电网络。
31.先进行傅里叶转换：
32.e(ω＝a(ω)x(ω)
33.x(ω＝a-1
(ω)e(ω)＝h(ω)e(ω)
[0034][0035]
pdc和dtf的具体计算公式如下：
[0036][0037][0038]
e是传递矩阵，a是系数矩阵，x是多个通道在ω频带的向量，h是a的逆矩阵。
[0039]
pdc描述了在ω频带，从j通道流出到i通道的信息流占从j通道流出到所有通道信息流的比值。dtf描述了在ω频带，从通道j流入到通道i的信息流占从所有通道流入到信道i的信息流的比值。
[0040]
脑电网络阈值设置
[0041]
连接矩阵中虚假连接的存在会导致网络特征的改变。在虚假连接的影响下，计算得到的网络特征可能有偏差。而通过设置阈值可以减少虚假连接，但阈值设置不当也可能导致实际存在的连接丢失，使网络特征偏离实际。本发明采用保留最短路径的阈值设置方法，为节省能量消耗，大脑信息倾向于沿着最短路径传输的这一假设。两个节点之间的距离是连接强度的倒数，连接强度越强，距离越短。网络中两节点之间的距离采用最短路径法计算。这种阈值设置方法保证了网络的全连通，即设置阈值后网络中不存在孤立的节点。
[0042]
脑电网络特征提取
[0043]
构建seeg脑网络和获得相关矩阵后，本发明进一步提取如下n个拓扑学特征：特征
路径长度、平均聚类系数、同配性系数、平均介度中心性等，在m个频段中分别用这n个特征评估术前和术后的脑网络拓扑学状态。
[0044]
本发明中的网络特征的计算公式如下：
[0045]
特征路径长度l
[0046][0047]
li是节点i与网络中其他所有节点之间最短路径的平均值，d
ij
是节点i与j之间的最短路径长度。
[0048]
网络聚类系数c
[0049][0050]ci
是节点i的聚类系数，ki是节点i的度，ti是围绕在节点i附近的点形成三角形连接的数量。
[0051]
介度中心性系数bc
[0052][0053]
ρ
hj
是网络中任意节点h和j之间最短路径的总数量，ρ
hj
(i)是h和j之间的最短路径中，经过了节点i的路径数量。
[0054]
同配性系数r
[0055][0056]
差异检验
[0057]
采用符号秩和检验法分别对术前组与术后组、预后良好组与预后欠佳组的差异进行检验。显著性水平的值设为j。根据手术效果对患者进行分类标记。将特征数据分别以逻辑回归的显著性和优势比，方差分析的f值，卡方统计量为指标的过滤，递归特征消除法的包装法，基于随机森林模型的嵌入法等多种特征筛选方法独立推荐各特征子集，从中筛选出被多数推荐方法独立推荐的特征，整合成多组用于模型训练的特征子集。
[0058]
构建机器学习模型进行预测
[0059]
使用支持向量机、决策树、逻辑回归和引导聚集算法模型对手术结果进行预测，并采用k折交叉验证对预测模型进行训练。机器学习的评价方式如下表1的评估矩阵所示：
[0060]
表1
[0061][0062]
根据表1中参数，分类的定义如下：
[0063]
(1)真阴性(tn)是指：在样本真实类别中为“0”类，分类器正确预测类别为“0”类的病例数量，在本发明中是指患者实际术后效果良好，机器学习模型预测也为良好的患者数
量；
[0064]
(2)假阳性(fp)是指：在样本真实类别中为“0”类，分类器错误预测类别为“1”类的病例数量，在本发明中是指患者实际术后效果良好，机器学习模型预测也为欠佳的患者数量；
[0065]
(3)假阴性(fn)是指：在样本真实类别中为“1”类，分类器错误预测类别为“0”类的病例数量，在本发明中是指患者实际术后效果欠佳，机器学习模型预测为良好的患者数量；
[0066]
(4)真阳性(tp)是指：在样本真实类别中为“1”类，分类器错误预测类别为“1”类的病例数量，在本发明中是指患者实际术后效果欠佳，机器学习模型预测也为欠佳的患者数量；
[0067]
(5)样本真实的阳性数：pc＝fn tp
[0068]
(6)样本真实的阴性数：nc＝tn fp
[0069]
(7)样本实际纳入例数：ac＝pc nc
[0070]
上述表格中的矩阵及参数在一定程度上反映了分类预测性能的基本信息。而更具体的评估指标如下：
[0071]
(1)准确率(accuracy)是指：被分类器正确预测分类的病例数(tn tp：预测为术后良好，实际也为术后良好的病例数量，加上预测为术后欠佳，实际也为术后欠佳的病例数量)在实际纳入预测的病例数(ac)中所占的比率，即：
[0072][0073]
(2)错误率(errorrate)是指：被分类器错误预测分类的病例数(fp fn：预测为术后欠佳，实际为术后良好的病例数量，加上预测为术后良好，实际为术后欠佳的病例数量)在实际纳入预测样本(ac)中所占的比率，即：
[0074][0075]
(3)灵敏度(sensitivity)是指：样本中实际病例预后为术后效果欠佳的病例被分类器正确判断分类为术后效果欠佳的病例数(tp：预测为“1”类，实际为“1”类的数量)，占实际术后效果欠佳的病例数(tp fn：实际为“1”类的数量)的比率，即：
[0076][0077]
(4)特异性(specificity)是指：样本中实际病例预后为术后效果良好的病例被分类器正确判断分类为术后效果良好的病例数(tn：预测为“0”类，实际为“0”类的数量)，占实际预后为术后效果良好的病例数(tn fp：实际为“0”类的数量)的比率，即：
[0078][0079]
在本发明中，用准确率、灵敏度和特异性作为机器学习分类算法的评价指标。
[0080]
将预测指标应用于临床热凝手术效果的评估，通过分析术后脑网络拓扑特征的变化来预测是否可实现无癫痫发作。
[0081]
本发明分别通过pdc和dtf的方法构建有效连接功能脑网络。
[0082]
本发明采用保留最短路径的阈值设置方法，如果两点之间的直连路径长度大于间接路径长度，则将连接矩阵中两节点之间的直接连接删除，在连接矩阵上的连接强度值设
为0，即两点之间的直接距离为无穷大，网络中两节点之间的距离由最小路径法计算。在阈值设置完成之后，计算保留下来的连接占原始矩阵的连接的比例。
[0083]
本发明进一步提取了如下4个拓扑学特征：特征路径长度(l)、平均聚类系数(c)、同配性系数(r1、r2)、平均介度中心性(bc)，在6个频段中分别用这四个特征评估术前和术后的脑网络拓扑学状态(δ：2-4hz，θ：5-8hz，α：9-13hz，β：14-30hz，γ1：31-50hz，γ2：51-99hz)。如图2所示。
[0084]
采用符号秩和检验法分别对射频热凝损毁术前组与术后组、预后良好组与预后欠佳组的差异进行检验。图3为脑网络术后与术前特征变化的统计学分析，图4为脑网络术后效果良好与欠佳组个体结果。显著性水平p值设为0.05。根据射频热凝损毁术效果对患者进行分类标记(0：预后良好；1：预后欠佳)。将特征数据分别以逻辑回归的显著性和优势比，方差分析的f值，卡方统计量为指标的过滤，递归特征消除法的包装法，基于随机森林模型的嵌入法等5种特征筛选方法独立推荐各特征子集，从中筛选出被多数推荐方法独立推荐的特征，整合成多组用于模型训练的特征子集。
[0085]
本发明使用支持向量机、决策树、逻辑回归和引导聚集算法模型对射频热凝损毁术后效果进行预测，并采用四折交叉验证对预测模型进行训练。如图4所示。
[0086]
将预测指标应用于临床热凝手术效果的评估，通过分析术后脑网络拓扑特征的变化来预测是否可实现无癫痫发作。
[0087]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。