[论文解读] Machine Learning Applications on Neuroimaging for Diagnosis and Prognosis of Epilepsy: A Review

Jie Yuan, Xuming Ran+5 more|arXiv (Cornell University)|Feb 5, 2021

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本综述整合了机器学习在癫痫神经影像中的应用，重点关注MRI、DWI、fMRI和PET在诊断与预后中的作用。比较了传统机器学习（需特征工程）与深度学习（如CNNs、自编码器）的应用，展示了其在分割、定位、侧化及临床预测中的角色，同时探讨了数据不平衡、异质性及模型可解释性等挑战，以推动计算机辅助癫痫诊疗的发展。

ABSTRACT

Machine learning is playing an increasingly important role in medical image analysis, spawning new advances in the clinical application of neuroimaging. There have been some reviews on machine learning and epilepsy before, and they mainly focused on electrophysiological signals such as electroencephalography (EEG) and stereo electroencephalography (SEEG), while neglecting the potential of neuroimaging in epilepsy research. Neuroimaging has its important advantages in confirming the range of the epileptic region, which is essential in presurgical evaluation and assessment after surgery. However, it is difficult for EEG to locate the accurate epilepsy lesion region in the brain. In this review, we emphasize the interaction between neuroimaging and machine learning in the context of epilepsy diagnosis and prognosis. We start with an overview of epilepsy and typical neuroimaging modalities used in epilepsy clinics, MRI, DWI, fMRI, and PET. Then, we elaborate two approaches in applying machine learning methods to neuroimaging data: i) the conventional machine learning approach combining manual feature engineering and classifiers, ii) the deep learning approach, such as the convolutional neural networks and autoencoders. Subsequently, the application of machine learning on epilepsy neuroimaging, such as segmentation, localization, and lateralization tasks, as well as tasks directly related to diagnosis and prognosis are looked into in detail. Finally, we discuss the current achievements, challenges, and potential future directions in this field, hoping to pave the way for computer-aided diagnosis and prognosis of epilepsy.

研究动机与目标

• 通过回顾当前应用与局限，弥合机器学习与癫痫神经影像之间的差距。
• 突出神经影像（尤其是定位致痫灶方面）相较于EEG的临床价值。
• 比较传统机器学习（特征工程 + 分类器）与深度学习（CNNs、自编码器）在分析神经影像数据中的表现。
• 识别临床部署中面临的关键挑战，如数据不平衡、图像异质性及模型可解释性不足。
• 提出未来研究方向，包括利用生成模型进行数据增强，以及利用图神经网络处理非欧几里得神经影像数据。

提出的方法

• 系统性回顾基于MRI、DWI、fMRI和PET模态的癫痫神经影像中机器学习应用。
• 将方法分为两类：传统ML（人工特征提取后接SVM或随机森林等分类器）与深度学习（通过CNNs和自编码器实现端到端学习）。
• 应用生成对抗网络（GANs）与基于似然的模型（如VAEs、Pixel CNN、Glow）进行数据增强及分布外（OOD）检测，以缓解类别不平衡与标签噪声问题。
• 探索图卷积网络（GCNs）在建模非欧几里得神经影像数据（如fMRI的BOLD信号、DWI的白质纤维束）中的应用。
• 采用贝叶斯非参数模型与受限玻尔兹曼机以提升在异质患者群体中的泛化能力。
• 通过临床与影像数据评估模型在分割、定位、侧化、诊断及预后预测等任务中的性能。

实验结果

研究问题

• RQ1 与传统基于EEG的方法相比，机器学习如何提升癫痫致痫灶定位在神经影像中的准确性与可靠性？
• RQ2 在分析癫痫特异性神经影像数据时，传统机器学习与深度学习的相对优势与局限是什么？
• RQ3 机器学习模型如何应对癫痫影像数据集中存在的数据不平衡与异质性问题？
• RQ4 可解释AI与异常检测技术在提升癫痫诊疗中机器学习模型的信任度与临床采纳率方面有哪些作用？
• RQ5 哪些新兴机器学习架构（如GCNs、GANs）在建模癫痫中复杂且非欧几里得的神经影像结构方面展现出潜力？

主要发现

• MRI、fMRI与PET等神经影像模态在确认致痫灶范围与大小方面至关重要，尤其在术前评估中，其空间定位能力优于EEG。
• 当致痫灶在神经影像中可见时，根治性手术后癫痫发作自由的概率提高2–3倍，凸显了精准影像分析的临床价值。
• 将人工特征工程与分类器（如SVM）结合的传统机器学习方法在分割、定位与侧化任务中表现优异。
• 深度学习模型，特别是CNNs与自编码器，能够从原始神经影像数据中实现端到端学习，提升特征表示能力与诊断准确性。
• 生成模型（如GANs与VAEs）可通过增强罕见癫痫类型（如运动皮层癫痫）的数据，缓解数据不平衡问题，降低分类偏差。
• 基于似然的生成模型与OOD检测技术可提升模型对噪声或分布外输入的鲁棒性，增强其在临床环境中的可靠性。