【INC国际大咖研究成果】儿童药物难治性癫痫MRgLITT术后癫痫结局的机器学习预测模型

　　James T.Rutka教授曾任世界神经外科学院院长，目前是世界神外知名杂志《Journal of Neurosurgery》主编，30多年来深耕儿童神外研究，带领团队不断突破，从脑瘤分子分型、精准治疗、新药治疗、微创治疗，为全球神经外科疑难病患儿带来希望，他新近发表研究《Machine learning models for predicting seizure outcome after MR-guided laser interstitial thermal therapy in children》（儿童药物难治性癫痫MRgLITT术后癫痫结局的机器学习预测模型），以下是研究简述。

　　01

　　PART

　　研究速览

　　研究者利用机器学习预测儿童癫痫患者接受MR引导激光间质热疗（MRgLITT）后的无发作结局，并识别关键预测因子：视频-EEG一致性、病灶大小、术前发作频率及抗癫痫药物数量。梯度提升机算法表现最优。量化个体无发作概率有助于优化患者选择及术前咨询。

　　02

　　PART

　　研究目的

　　MR引导下激光间质热疗（MRgLITT）相较开颅手术创伤更小，但术后无癫痫发作率较低，且其预测因素尚不明确。本研究利用机器学习预测儿童MRgLITT术后1年无癫痫发作结局，并识别关键预测因子。

　　03

　　PART

　　研究方法

　　多中心研究纳入13家癫痫中心接受MRgLITT治疗的儿童。以临床资料、术前评估及消融特征为变量，预测术后1年无癫痫发作率。12家中心数据用于训练，余下1家中心数据用于测试。训练集采用10折交叉验证开发5种算法，并于测试集评估性能。

　　ML分类器开发与测试流程。各中心以代号A–M表示，确保中心信息保密。

　　04

　　PART

　　研究结果

　　共268例患儿，术后1年无癫痫发作率为44.4%。基于完整变量的梯度提升机（GBM）在测试集表现最佳：AUC 0.67（95%CI 0.50–0.82），敏感度0.71（0.47–0.88），特异度0.66（0.50–0.81）。Logistic回归、随机森林、支持向量机及神经网络的AUC为0.58–0.63，差异无统计学意义（均p>0.05）。三种特征筛选方法一致认定：视频-EEG一致性、病灶大小、术前发作频率及抗癫痫药物数量是无癫痫发作的重要预测因子。采用单变量筛选的精简模型性能略优于完整变量模型。

　　A：Boruta特征筛选结果箱线图。绿色箱表示被确认为重要变量，红色箱表示被剔除变量；蓝色箱（shadowMin、shadowMean、shadowMax）示用于与输入特征重要性比较的“影子”属性最小、平均及最大Z值。

　　B：递归特征消除（RFE）结果曲线图。使ROC-AUC达到最优的变量数目以实心圆标出。Sz=seizure。图示仅在线提供彩色版本。

　　05

　　PART

　　研究结论

　　明确MRgLITT术后无癫痫发作的预测因素有助于个体化预后评估。

　　06

　　PART

　　关于作者

　　国际儿童神外大咖James T.Rutka教授

　　教授是世界神经外科联合会(WFNS)执行委员会&顾问委员会成员之一，发表超过500多篇的文章，在临床上的研究方向以颅内肿瘤为主，对胶质瘤、纤维瘤、颅咽管瘤、室管膜瘤具有多年的临床经验，擅长清醒开颅术、显微手术和被广泛用于治疗恶性脑瘤和癫痫的国际前沿技术激光间质热疗（LITT）技术经验，对于儿童胶质瘤，尤其是高级别胶质瘤开展多项临床试验，其所在的医院加拿大SickKids是国际知名的儿童医院之一。