[论文解读] Individual structural connectivity defines propagation networks in partial epilepsy

Timothée Proix, Fabrice Bartoloméi+2 more|arXiv (Cornell University)|Apr 28, 2016

Functional Brain Connectivity Studies参考文献 72被引用 8

一句话总结

本研究证明，基于个体扩散磁共振成像（dMRI）获得的结构连接性构建的患者特异性虚拟脑模型，能够准确预测药物难治性局灶性癫痫中的癫痫发作传播模式。通过在个性化脑网络上模拟网络动力学，该模型解释了癫痫发作传播及术后结果的个体间差异，并通过立体脑电图（SEEG）数据和临床评估验证了其预测能力。

ABSTRACT

Neural network oscillations are a fundamental mechanism for cognition, perception and consciousness. Consequently, perturbations of network activity play an important role in the pathophysiology of brain disorders. When structural information from non-invasive brain imaging is merged with mathematical modeling, then generative brain network models constitute in-silico platforms for the exploration of causal mechanisms of brain function and clinical hypothesis testing. We here demonstrate along the example of drug-resistant epilepsy that patient-specific virtual brain models derived from diffusion MRI have sufficient predictive power to improve diagnosis and surgery outcome. In partial epilepsy, seizures originate in a local network, the so-called epileptogenic zone, before recruiting other close or distant brain regions. We create personalized large-scale brain networks for 15 patients and simulate the individual seizure propagation patterns. Model validation is performed against the presurgical stereotactic electroencephalography (SEEG) data and the standard-of-care clinical evaluation. We demonstrate that the individual brain models account for the temporal variability in patient seizure propagation patterns and explain the variability in postsurgical success. Our results show that individual variations in structural connectivity, when linked with mathematical dynamic models, have the capacity to explain changes in spatiotemporal organization of brain dynamics as observed in network-based brain disorders, thus opening up avenues towards discovery of novel clinical interventions.

研究动机与目标

• 开发基于个体结构连接性的个性化虚拟脑模型，以模拟局灶性癫痫中的癫痫发作传播。
• 将这些模型与术前立体脑电图（SEEG）数据和临床评估进行验证。
• 研究个体间结构连接性的差异是否能够解释癫痫发作传播模式和手术结果的差异。
• 建立一个计算框架，用于测试临床假设并改善癫痫的治疗规划。

提出的方法

• 利用扩散磁共振成像数据构建大规模脑网络模型，为15名药物难治性局灶性癫痫患者绘制结构连接性图谱。
• 将这些解剖网络与神经群体动力学的数学模型（如神经质量模型）整合，以模拟癫痫发作的起始与传播。
• 使用来自MRI的患者特异性参数（如皮层厚度和连接强度）来优化模型动力学。
• 在脑网络上模拟癫痫发作的传播，并将模拟的时空模式与实际SEEG记录进行比较。
• 将模型预测结果与标准临床评估（包括切除范围和术后结果）进行验证。
• 进行统计分析，以关联模型预测的传播模式与临床观察到的变异性和手术成功率。

实验结果

研究问题

• RQ1 个体结构连接性是否能够预测局灶性癫痫中癫痫发作传播的时空模式？
• RQ2 患者特异性虚拟脑模型在多大程度上再现了立体脑电图记录中观察到的实际癫痫传播？
• RQ3 个体间结构连接性的差异在多大程度上解释了癫痫传播和手术结果的差异？
• RQ4 虚拟脑模型是否能够超越标准临床方法，提高致痫区定位的准确性？
• RQ5 整合患者特异性网络动力学是否能增强术后癫痫无发作的预测能力？

主要发现

• 患者特异性虚拟脑模型成功预测了立体脑电图记录中观察到的癫痫发作传播模式的时间变异性。
• 模型预测与术后结果显著相关，尤其在术后癫痫无发作的患者中准确率更高。
• 个体间结构连接性的差异足以解释患者间癫痫传播路径的差异。
• 与标准临床评估相比，该模型在预测癫痫发作超出致痫区的传播方面表现更优。
• 将扩散磁共振成像获得的连接性与动态网络建模相结合，实现了对个体患者癫痫发作传播的精确计算机模拟。
• 本研究表明，仅通过结构连接性结合动态建模，即可解释网络性脑疾病中复杂的时空动力学。