文献速递神经儿科影像MR

7T MRI 表面模型联合图神经网络提高局灶性癫痫细微皮质异常检出

Enhanced detection of subtle cortical abnormalities in focal epilepsy using 7 T MRI surface-based models and graph neural networks.
PubMed 文献 · Neuroradiology · 2026-07-06

本研究纳入87例局灶性癫痫患者与10例健康对照,比较7T与3T MRI结合表面图神经网络分类器对皮质发育不良样病灶的检出表现。结果显示7T分类器在3T MRI阴性患者中可识别45.4%与电临床定位一致的病灶,并在立体脑电图和术后病理亚组中分别达到70.0%和64.7%的一致率。研究提示7T MRI联合GNN分析可提高癫痫术前评估中对细微皮质异常的检出与显示能力。

要点

  • 对3T MRI阴性但电临床高度提示局灶性皮质发育不良的癫痫患者,7T表面GNN分析可提供额外定位线索。
  • 7T T1w加FLAIR表面特征分类器输出应以电临床、立体脑电图或病理结果为参考,不能单独作为手术决策依据。
  • 7T后处理需要严格质控,约19.5%的数据因运动伪影、覆盖不全或分割错误被排除。

核心结论

  • 7T MRI联合表面GNN分类器可改善局灶性癫痫中FCD样异常的检出与定界,尤其在3T MRI未见明确病灶患者中具有增量价值。

研究设计与样本

  • 前瞻性队列研究,纳入87例局灶性癫痫患者和10例健康对照,7T数据来自多中心联盟,2015至2024年间采集。
  • 图像处理采用FreeSurfer高分辨率表面重建,病灶检测采用MELD项目预训练表面图神经网络分类器。
  • 参考标准包括专家视觉评估、电临床定位、10例立体脑电图和17例术后组织病理结果。

关键影像表现/征象

  • 7T MRI可见灰白质边界丢失和脑沟形态显示改善,对FCD-II样透壁征显示优于3T。
  • 分类器可输出单发或多发皮质异常簇,并显示簇的解剖位置、范围、侧别及表面特征显著性。
  • 7T灰白质对比特征分布峰值较3T更高更窄,反映超高场MRI的组织对比固有优势。

诊断标准与关键数值

  • 7T分类器在25/37例即67.6%的3T MRI阳性患者中与视觉评估定位一致。
  • 7T分类器在15/33例即45.4%的3T MRI阴性患者中检出与电临床定位一致的异常簇。
  • 7T分类器在7/10例即70.0%的立体脑电图患者中与发作起源区一致,在11/17例即64.7%的手术患者中与病理一致。
  • 组织病理亚型检出:FCD-I为1/2即50.0%,FCD-II为5/8即62.5%,FCD-III为0例;无明确FCD者中5/5即100.0%检出异常。

临床应用与阅片要点

  • 当3T MRI未见明确病灶但电临床定位一致时,7T表面GNN分类器阳性簇可作为电极植入和切除计划的重要参考。
  • 解读分类器结果时应结合T1w、FLAIR原始图像和多模态信息,警惕约16.7%的非一致假阳性簇。
  • 对7T数据应常规检查白质和软脑膜表面重建质量,排除因场不均匀性导致的局部分割误差。

局限性

  • 17/87例即19.5%的7T数据因运动伪影、覆盖不全或分割错误被排除,可能引入选择偏倚。
  • 部分3T MRI阴性患者仅以电临床定位作为参考,缺乏立体脑电图或组织病理验证。
  • 样本中组织病理亚组较小,FCD-III等亚型检出价值尚难评价。
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Neuroradiology. 2026 Jul 6;68(8):2241–56. doi: 10.1007/s00234-026-04103-8

引言

局灶性皮质发育不良(FCD)是儿童药物难治性局灶性癫痫最常见的病因,如果计划对癫痫进行手术治疗,可识别的结构性MRI病灶是预测良好结局的最重要因素之一[1]。在儿童中,完全切除致痫性MRI病灶后,癫痫手术可获得80%的无发作结局[2]。因此,准确识别和定性致痫性病灶至关重要[3]。相反,如果结构性MRI异常仍不明确且切除不完全,仅20%–50%的患者可实现无发作[4]。颅脑MRI无异常发现会进一步降低癫痫控制的可能性,并可能需要更全面的术前评估,包括功能MRI、氟代脱氧葡萄糖正电子发射断层扫描(FDG-PET)以及侵袭性脑电图(EEG)检查。大型多中心研究显示,对于MRI正常且组织病理学无异常发现或无特异性发现的患者,术后两年无发作率约为40%,颞叶外癫痫的结局甚至更差[5]。在儿科队列中,MRI无异常发现的癫痫手术后无发作率约为25%,且受临床因素影响较大,如起病年龄、发作频率以及既往失败的抗癫痫发作药物数量[6]。

尽管侵袭性颅内操作,尤其是立体定向脑电图,有助于确定发作起始区(SOZ)[7],但其使用仍具有选择性,存在重要局限性,并伴有出血、感染和神经功能缺损的风险[8]。大型手术系列研究显示,大多数MRI阴性患者接受了侵袭性检查,但仅少数获得长期无发作[9]。这些考虑凸显了改进无创方法以减少对侵袭性定位依赖的必要性。

在此背景下,传统MRI的局限性在于其定性性质、依赖阅片者经验,并且容易遗漏可能构成致痫网络基础的细微结构异常[10]。近期进展侧重于通过神经影像学和计算分析的进步来提高对细微致痫性异常的检出[1]。与低场强扫描仪相比,3 T MRI的诊断率提高了(+ 5%)[11],高分辨率7 T MRI可准确显示FCD [12],使人们对皮层层状结构的认识达到前所未有的水平[13],并显著增加了(8% − 67%)所识别病灶的数量[14–20]。

先进的后处理方法带来了进一步的改进,包括基于体素的自动化方法 [21, 22] 或后处理技术 [23, 24],这些也得到了机器学习方法 [25, 26] 的支持。基于先进计算工具的检测器显著提高了敏感性和特异性 [23, 27],甚至能够揭示从发育不良皮质到正常皮质的细微严重程度梯度 [28]。一项使用33个特征和人工神经网络的基于表面的分类器在包含1015名参与者的大型多中心数据集中显示出59%的敏感性和54%的特异性 [29]。最近,将图神经网络(GNN)整合到流程中显著提高了性能,将敏感性提升至81.6%,同时保持了可解释性并促进了临床应用 [30]。这些多中心、开放获取的举措产生了稳健且可解释的算法,可支持临床医生识别局灶性癫痫中细微的皮质异常。

我们将Ripart及其同事 [30] 开发的基于表面的GNN分类器应用于局灶性癫痫患者的7 T结构MRI扫描,这些患者在常规3 T成像上具有可见或可疑的结构性病因,并在可见病灶的7 T图像上测试了我们的方法,同时评估了在可疑异常上的表现。在我们的方法中,我们将分类器在7 T上的输出与专家MRI视觉评估、电临床致痫区(SOZ)定位以及可获得的颅内立体脑电图和神经病理学发现进行了对比评估。我们还进行了同一受试者内7 T与3 T MRI之间的比较,以评估超高场成像对分类器性能和病灶可检测性/特征描述的附加价值。我们假设,将7 T MRI与基于表面的机器学习分析相结合,能够比常规结构MRI更好地识别细微的皮质异常,并且优于在3 T数据上进行的同等分析。

材料与方法

研究设计

我们设计了一项前瞻性队列研究,以评估MELD项目内开发的基于表面的GNN算法 [30] 在使用7 T脑MRI检测皮质异常方面的性能。结构性7 T脑MRI扫描于2015年至2024年间在一个多中心联盟中采集。我们作为研究方案的一部分从社区招募了对照组。该研究获得了意大利托斯卡纳大区儿科伦理委员会的批准(伦理批准号212/2024)。所有参与者均签署了成像数据研究用途的书面知情同意书,未成年人的情况则由其父母或法定监护人签署。

参与者和临床数据

我们在意大利佛罗伦萨Meyer儿童医院IRCCS的三级儿科神经病学中心招募了符合条件的参与者。纳入标准为:(1)年龄在8至65岁之间;(2)局灶性癫痫;(3)临床和脑电图表现与局灶性致痫区一致;以及(4)至少有一次既往3 T脑MRI检查。排除标准为:(1)有MRI禁忌证;以及(2)无法在清醒MRI采集过程中配合。

我们收集了常规临床诊疗和术前评估中的临床、电生理及神经影像数据,目的是定位致痫区(SOZ)并建立参考标准,以便与自动分类器的输出结果进行比较。这些数据包括详细的发作症状学、长程视频脑电图监测以及结构性3 T MRI的专家审阅。当术前评估中可获得时,我们还收集了其他检查资料,包括颅内立体脑电图、FDG-PET成像和神经心理学评估。对于接受了癫痫手术且可获得组织病理学结果的参与者,我们根据2022年国际抗癫痫联盟(ILAE)共识分类方法对局灶性皮质发育不良(FCD)进行分类 [31]。

我们调取了所有患者最近一次临床3 T癫痫成像方案中的脑部MRI数据。3 T检查在两台配备8通道头部线圈的扫描仪上进行(Achieva,Philips Healthcare,荷兰;Excite HDx,GE Medical Systems,美国威斯康星州密尔沃基)。3 T方案包括全脑3D T1加权(T1w)快速扰相梯度回波(FSPGR)、全脑3D T2加权液体衰减反转恢复(3D-FLAIR)、2D T2加权快速自旋回波、T2*加权梯度回波(GRE)和2D T1加权序列。我们在专用工作站上使用Osirix MD软件,由在癫痫神经影像方面具有长期经验的神经病学专家、神经放射学专家和神经外科专家审阅了所有3 T MRI扫描。审阅者获得了提示可疑致痫区的临床和脑电图信息。我们使用3D Slicer软件检查了所有可用的多模态数据,包括空间配准的FDG-PET成像、立体脑电图植入后的MR/CT成像以及术后MRI [32]。影像判读以共识方式进行,特别关注结构性异常的识别及其与电临床数据的一致性。

基于3 T MRI发现与电临床数据的综合评估,我们将发作间期、发作期及发作起始定位明确一致地指向单一皮质区域的患者分为两个亚组:3 T MRI阳性,定义为存在与局灶性皮质发育不良(FCD)或其他类型致痫性病变相符的结构性异常证据;3 T MRI阴性,定义为在3 T下未检测到可识别的病变。

为了评估视觉3 T MRI判读与自动生成的病变簇之间的一致性,我们将3 T MRI阳性受试者中经视觉识别的病变映射到FreeSurfer标记系统上 [33]。在3 T MRI阴性受试者中,我们使用所有可用的影像和电临床数据来界定致痫区,并同样将其映射到FreeSurfer标记系统上 [33]。

7 T图像采集与视觉评估

参与者接受了配备2通道发射/32通道接收头线圈(Nova Medical,美国)的7 T MRI(GE Healthcare,美国)扫描。成像方案包括:3D T1w磁化准备快速梯度回波(MP-RAGE)(反转时间[TI]1100 ms,翻转角8°,矩阵276 × 276,层厚0.80 mm,视场(FOV)22 cm,体素分辨率0.8 × 0.8 × 0.8 mm);3D矢状位T2w CUBE FLAIR(重复时间[TR]/回波时间[TE]10000/123 ms,矩阵320 × 320,层厚0.70 mm,视场(FOV)22 cm,体素分辨率0.7 × 0.7 × 0.7 mm各向同性);2D T2w快速自旋回波XL(FSE-XL)(重复时间[TR]/回波时间[TE]7000/60 ms,翻转角142°,矩阵640 × 640,层厚2.0 mm,视场(FOV)20 cm,体素分辨率0.31 × 0.31 × 2.0 mm);3D磁敏感加权血管成像(SWAN)(重复时间[TR]/回波时间[TE]54.1/minimum ms,翻转角15°,矩阵512 × 384,层厚1.2 mm,视场(FOV)16.8 cm,体素分辨率0.33 × 0.44 × 1.2 mm);2D轴位梯度回波(GRE)双回波高分辨率(重复时间[TR]/回波时间[TE]500/10–20 ms,翻转角30°,矩阵448 × 448,层厚2.0 mm,视场(FOV)11.2 cm,体素分辨率0.25 × 0.25 × 2.0 mm)。3D T1w和3D FLAIR序列以全脑水平采集,用于基于表面的分析。

我们目视审查了所有MRI数据集,以发现可能影响后续计算分析的结构异常、伪影或质量问题。

7 T和3 T MRI基于表面的皮层重建

对于7 T MRI数据的后处理,我们通过应用SPM12(MATLAB R2023b)统一分割流程[34]中实现的强度偏置校正来补偿发射和接收场的不均匀性,并使用定制参数(FWHM = 18 mm,采样距离 = 2 mm)[35]。我们使用FreeSurfer高分辨率流程(https://surfer.nmr.mgh.harvard.edu/fswiki/HiResRecon)[36]从亚毫米级3D-T1w图像进行皮层表面重建。处理步骤包括运动校正、强度归一化、颅骨剥离以及白质/灰质界面(白质表面)和灰质/脑脊液(CSF)界面(软脑膜表面)的重建。由于颞叶灰质强度因局部发射效率改变而降低,我们对mris_make_surfaces命令[36]应用了自定义参数。对于软脑膜表面细化,我们通过纳入recon-all命令的-FLAIRpial选项相关步骤来扩展处理(https://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable)。这些步骤包括:使用bbregister将3D-FLAIR图像配准到3D-T1w,对3D-FLAIR进行强度归一化(mri_normalize);以及三角剖分[37],以获得最终的软脑膜表面表示(mris_make_surfaces)。

对于3 T MRI数据,我们使用标准FreeSurfer流程(版本7.2.0,https://surfer.nmr.mgh.harvard.edu)[38]处理3D-T1w和3D-FLAIR图像。

在处理的每个步骤中,我们通过目视检查确保输出准确性,并在必要时进行手动校正。我们采用质量控制程序,排除存在分割错误或皮层表面重建中不可恢复伪影的数据集。

7 T和3 T MRI基于表面的特征评估

对于病灶检测,我们采用了GNN病灶分类器,该分类器最初由Ripart及其同事在MELD项目(https://meldproject.github.io/)中开发并验证[30]。整个处理流程可免费获取(https://github.com/MELDProject/meld_graph),并为新患者的病灶检测提供了预训练模型。对于每位受试者及7 T和3 T表面重建结果,我们计算了MELD分类器所需的11个形态学和信号强度特征:(i)皮质厚度;(ii)灰白质对比度;(iii)平均曲率;(iv)脑沟深度;以及(v)固有曲率。我们评估了在皮质厚度的(vi)25%、(vii)50%和(viii)75%处、灰白质边界处(ix)以及灰白质边界下方(x)0.5 mm和(xi)1.0 mm处的FLAIR信号强度。我们将所有特征平滑并配准到双侧对称模板表面(fs_average_sym)。为排除特征值异常的个体,我们按照Spitzer等人[29]详述的MELD方案采用了质量控制程序。

随后,我们使用ComBat [39]对特征进行 harmonization,以减轻与扫描仪类型和采集方案相关的非生物学变异。我们执行了四种不同的 harmonization 程序:两种针对硬件升级前后的7 T系统,两种针对3 T扫描仪。为描述ComBat对7 T和3 T MRI特征的影响,我们评估了 harmonization 前后特征分布的概率密度曲线。

标准化使用预训练MELD模型的参数进行。根据MELD流程[29, 30],我们随后使用三种互补方法对特征进行归一化:(i)受试者内z分数归一化,以考虑个体间变异;(ii)半球间不对称性归一化,以突出偏离对侧半球的顶点;以及(iii)受试者间归一化,以校正生理性区域变异。

单受试者病灶分类

对于每位患者和每个 harmonization 数据集,我们应用GNN流程(new_pt_pipeline)[29],并使用专用Python脚本生成最终报告,总结每个预测病灶簇的特征,包括簇的位置、大小,以及在不同归一化策略下的z分数平均特征值和积分梯度显著性评分。

最终报告从解剖位置(叠加于MRI上)、大小和偏侧性方面描述每个簇,并使用三个水平条形图可视化特征异常,分别对应ComBat harmonization 后特征、归一化特征和基于不对称性的特征。x轴表示根据健康对照获得的顶点分布进行标准化后得出的z分数值。特征显著性使用基于积分梯度的红蓝颜色标尺进行可视化[40],其中正显著性值表示有助于病灶分类的特征,负值表示不利于病灶检测的特征。

受试者内与临床及电生理数据的一致性

对于3 T MRI阳性的患者,我们评估了在7 T和3 T MRI上识别的自动病灶聚类与基于FreeSurfer标记系统[33]定义的视觉病灶掩模之间的空间一致性。在无局灶性形态结构异常影像学证据的3 T MRI阴性患者中,我们将致痫区(SOZ)定位映射到与FreeSurfer分割[33]所用的同一皮层表面图谱上,以便与自动分类器生成的病灶预测指标进行直接比较。

最后,在接受颅内立体脑电图记录的患者中,我们按照Wang等人[22]描述的程序,评估了电生理学定义的SOZ与7T来源的病灶聚类之间的对应关系。

7 T与3 T MRI病灶分类的受试者内比较

我们对7 T和3 T流程进行了受试者内比较,以描述分类器性能特征,并从特征显著性、聚类显著性、空间范围和稳健性方面评估病灶的显著性。

对于每位患者,我们提取了7 T和3 T流程的表格输出,描述检测到的病灶及其相关特征,包括统计指标(z分数、标准差)和预测重要性(显著性值)。对于显著性分析,我们仅纳入7 T和3 T流程均识别出一致病灶聚类的患者。我们分别对每个聚类、特征和指标进行统计分析。我们使用Shapiro-Wilk检验评估z分数和显著性值差异的正态性。对于正态分布的数据,采用配对样本t检验;对于非正态分布的数据,则使用Wilcoxon符号秩检验。为校正多重比较,我们使用Benjamini-Hochberg假发现率(FDR)方法调整p值。我们将统计显著性定义为p < 0.05。

结果

人口统计学和临床特征

我们研究了87例患者(41例女性,46例男性;平均年龄16.3岁,中位数13.0,范围7.0-47.0),以及10名健康对照个体(平均年龄14.2岁,中位数13.4,范围3.4-27.0),后者仅用作独立和内部验证队列,以评估该流程在我们本地7 T数据上的特异性。入组参与者的人口统计学和临床特征总结于补充表1。

7 T MRI基于表面的皮层重建和特征评估

在对MRI序列和基于表面的重建进行视觉检查后,我们排除了87个7 T MRI数据集中的17个(19.5%)(12个来自MRI阳性亚组,5个来自MRI阴性组;详见补充表1)。排除标准为:T1w(6/17例患者)或FLAIR(3/17例患者)MRI中的运动伪影、MRI采集未覆盖全脑(3/17例患者),以及5/17例患者因磁场不均匀导致白质或软脑膜表面分割不准确而造成的表面重建错误(补充图1b)。由于处理是在全脑水平进行的,我们将位于分割不准确区域内的病灶聚类从定量分析中排除。在3例3 T MRI阳性患者(患者3、27和32)中,扫描在视觉识别的病灶附近产生了不准确的分割。在这些个体中(补充图1a和c),7 T检测器正确识别了一个病灶聚类,因此将其视为阳性检测结果。个体的质量控制后纳入/排除流程见补充图2中的流程图。

对ComBat协调前后特征分布的分析显示,7 T和3 T特征谱在协调前存在差异(补充图3–6)。协调后,主要分布峰大部分重叠,表明非生物学变异得到了有效减少。同时,对协调后特征谱的视觉检查显示,特定分布模式保持了其原有的场强依赖性特征。具体而言,对于灰白质对比度(补充图3a-d),在分布中心对齐后,7 T队列保持了比3 T队列更高且更窄的峰密度,反映了超高场MRI固有的更高组织对比度特性。对于皮层厚度(补充图3e-h),在校正了7 T数据中观察到的初始左移后,7 T和3 T分布显示出实质性重叠,但3 T谱在众数处显示出更高的峰密度,正如预期的那样[41]。

7 T MRI视觉评估

最终定量队列包括70例患者。其中,37/70例(52.9%)在3 T MRI上可见病灶(以下称为“3T MRI阳性”患者),并经7 T视觉评估确认(图1)。其余33/70例患者(47.1%)3 T MRI为阴性(“3T MRI阴性”患者),其中2例(6.0%)在7 T MRI视觉分析中发现细微结构异常。

图1 一例疑似局灶性皮质发育不良(FCD)患者的3 T和7 T MRI(患者27)。a-c图显示3 T矢状位(a)、冠状位(b)和放大冠状位(c)FLAIR图像,d-f图显示相应的7 T图像。图像显示了一个跨套层征,提示FCD-II型,放大视图(c和f)显示与3 T MRI(c)相比,7 T MRI(f)对脑沟的 delineation更清晰,灰质边界消失。 查看原图 ↗

7 T基于表面的病灶分类

对于所有研究个体(流程输出示例见图2),我们获得了与每个检出病灶相关的异常形态测量特征的定量表示。如补充表1所述,在40/70例与视觉MRI、电临床定位或两者呈阳性一致的患者中,基于7 T皮层表面的图神经网络(GNN)流程在38/40例(95.0%)患者中识别出单个集群。在其余2/40例患者中,识别出两个集群(5.0%假阳性率)。相反,在30/70例病灶检测输出与视觉MRI、电临床定位或两者不一致的患者中,25/30例(83.3%)未检测到集群。在其余5/30例(16.7%)患者中,基于7 T皮层表面的图神经网络(GNN)流程检测到一个与视觉MRI、电临床定位或两者不一致的病灶集群(16.7%假阳性率)。

将7 T病灶分类器应用于内部7 T对照队列,在1/10例对照中识别出一个病灶集群(10%假阳性率)。

图2 一例3 T MRI阳性患者(患者25)的3 T和7 T MRI、7 T分割与皮层表面重建以及分类器结果。冠状位3 T T1w(a)和FLAIR(b)MRI,以及相应的7 T T1w(c)和FLAIR(d)MRI;去颅骨后的冠状位(e)和矢状位(f)7 T T1w MRI,叠加了7 T分类器检测到的病灶集群(绿色覆盖)以及白质(蓝线)和软脑膜(红线)表面;右侧半球外侧(g)和内侧(h)的三维皮层表面模型,叠加了7 T分类器检测到的病灶集群(红色覆盖);病灶集群的7 T分类器特征谱(i)。 查看原图 ↗

7 T分类器与临床和电生理数据的一致性

在25/37例(67.6%)3 T MRI阳性发现的患者中(表1),7 T成像分类与3 T视觉评估一致(图3和图4)。在15/33例(45.4%)3 T MRI阴性患者中,7 T病灶分类器在与临床和神经生理学定位一致的区域识别出一个集群(图5)。

在7/10例(70.0%)接受颅内立体脑电图(stereo-EEG)检查的患者中,7 T检测到的病灶集群与立体脑电图定义的癫痫发作起始区(SOZ)在空间上一致(图4和图5)。

70例患者中有17例(24.3%)接受了癫痫手术,7 T分类器在11/17例(64.7%)中检测到经组织病理学证实的病灶。组织病理学显示2例患者为局灶性皮质发育不良(FCD)-I,8例为FCD-II,2例为FCD-III,5例组织病理学未见明确FCD。7 T病灶分类器在1/2例(50.0%)FCD-I患者(例如患者50,图4)、5/8例(62.5%)FCD-II患者(例如患者15,图3)中正确检测到病灶,在FCD-III患者中未检测到病灶。在组织病理学未见明确FCD的患者中,7 T分类器在5/5例(100.0%)中正确识别出病灶(例如患者64,图5)。

在大多数3 T MRI阴性患者中,空间一致性仅基于临床发作症状学和脑电图结果,少数个体中还基于立体脑电图(stereo-EEG)检查和术后组织病理学。尽管基于立体脑电图和组织病理学的验证将提供更稳健的空间参考,但将分析仅限于这些患者会大幅减少可评估队列的规模,因为3 T MRI阴性患者中仅3/30例接受了立体脑电图检查,且仅2/3例后续接受了癫痫手术,从而限制了结果的可解释性。尽管如此,与立体脑电图和组织病理学发现的一致性支持了基于7 T表面分析的图神经网络(GNN)流程作为在MRI结果不明确的手术候选者中探查致痫区(SOZ)的辅助工具的潜在临床价值,并可能有助于指导选定个体的立体脑电图计划。

表1 7 T分类器在3 T MRI阳性和MRI阴性患者中的性能 查看原表 ↗
图3 一例局灶性皮质发育不良IIb型(FCD-IIb)患者(患者15)的术前影像、颅内立体脑电图、手术结局和7 T分类器结果。术前3 T T1w(a)和FLAIR(b)MRI,以及相应的7 T T1w(c)和FLAIR(d)MRI;7 T T1w MRI(e)和3D皮质表面模型(f),其上叠加了7 T分类器检测到的病灶簇(e中为白色叠加;f中为红黄色叠加);术后3 T T1w MRI(g);左侧半球的3D软脑膜表面模型,其上叠加了立体脑电图电极进入点(h);组织病理学(i);病灶簇的7 T分类器特征谱(j)。轴位3 T(a和b)和7 T(c和d)MRI显示一处发育不良区域,伴有经幔征,提示FCD-II。7 T分类器准确识别了病灶(e和f),并量化了其形态计量特征谱(j),其特征为皮质厚度增加、脑沟深度增加、固有曲率增加及白质FLAIR信号增高。这些特征有助于在组织学证实为FCD-IIb(i)之前将病灶分类为FCD,如中央位置的一个异形神经元所示,该神经元含有丰富的粗尼氏体,两侧有气球样细胞,胞核偏心、胞质嗜酸性(苏木精-伊红染色;原始放大倍数20x)。 查看原图 ↗
图4 一例FCD-Ib患者(患者50)的术前影像、FDG-PET、颅内立体脑电图、手术结果及7 T分类器结果。术前3 T T1w(a)和FLAIR(b)MRI,对应7 T T1w(c)和FLAIR(d)MRI;与FDG-PET影像共配准并叠加了累及SOZ的立体脑电图触点的3 T T1w MRI(e);右半球三维软脑膜表面模型,叠加立体脑电图电极入点(f);7 T T1w MRI(g)和三维皮层表面模型(h),叠加7 T分类器检出的病灶簇(g中白色叠加;h中红黄色叠加);病灶簇的7 T分类器特征谱(i);术后轴位(j)和矢状位(k)3 T T1w MRI,叠加累及SOZ的立体脑电图触点;颞叶皮质切除术中照片(l和m);组织病理学发现(n)。术前轴位3 T(a和b)和7 T(c和d)MRI上无可明确检出的病灶,尽管FDG-PET影像(e)显示右侧颞区低代谢。7 T分类器识别出一个病灶簇(g和h),并量化了其形态计量学特征谱(i),其特征为灰白质对比度、皮层厚度、脑沟深度、固有曲率以及白质和灰质FLAIR信号的改变。经立体脑电图评估(f)后,患者接受了手术切除(j-m)。形态计量学特征支持FCD的诊断,并经组织病理学证实为FCD-Ib(n),表现为皮层层次轻度紊乱和神经元分布的细微异常(NeuN免疫染色;原始放大倍数20倍) 查看原图 ↗
图5 一例组织病理学上无明确FCD的患者(患者64)的术前影像、FDG-PET、颅内立体脑电图、手术结果及分类器结果。3 T T1w(a)和FLAIR(b)MRI,对应7 T T1w(c)和FLAIR(d)MRI,以及共配准FDG-PET影像并叠加累及SOZ的立体脑电图触点的3 T T1w MRI(e);左半球三维软脑膜表面模型,叠加立体脑电图电极入点(f);7 T T1w MRI(g)和三维皮层表面模型(h),叠加7 T分类器检出的病灶簇(g中白色叠加;h中红黄色叠加);病灶簇的7 T分类器特征谱(i);术后轴位3 T T1w MRI(j);组织病理学发现(k和l)。术前轴位3 T(a和b)和7 T(c和d)MRI均无异常发现,而FDG-PET影像(e)显示左侧颞叶低代谢。7 T分类器在左侧颞叶识别出一个病灶簇(g和h),并量化了其形态计量学特征谱(i),其特征为皮层厚度增加、灰白质交界模糊以及FLAIR上灰质和白质信号的改变。经立体脑电图评估(f)后,患者接受了左侧颞叶切除术(j)。形态计量学特征提示FCD样病变,并经组织病理学证实(左侧颞极,k;后颞叶,l),显示轻至中度异常神经元分布和层次紊乱,符合组织病理学上无明确FCD(NeuN免疫染色;原始放大倍数20倍) 查看原图 ↗

7 T与3 T MRI病灶分类的比较

7 T分类器在40/70例(57.1%,25例MRI阳性,15例MRI阴性)患者中识别出了与3 T MRI、临床-神经电生理特征或两者之一相一致的病变簇(表2)。病变检测结果在补充图2的流程图中展示。

在15/40例(37.5%)患者中,病变簇可由7 T分类器检出,但在3 T下无法检出。在14/40例(35.0%)患者中,7 T与3 T的病变分类结果相当。在其余11/40例(27.5%)患者中,其结构性病变在3 T下被检出,但7 T分类器显示出更优的病变显著性,与3 T衍生特征相比,皮质受累更清晰和/或异常皮质范围更大。在部分个体中,病变簇在两种场强下显示出相似的空间范围(见图6中患者69),尽管驱动病变簇显著性的特征存在显著差异。在3 T下检出的病变簇更常以皮质增厚为特征,而7 T病变簇更常表现为灰白质对比度改变或局灶性FLAIR异常,这可能反映了7 T成像更高的空间分辨率[41]。

在33/70例3 T MRI阴性患者中,7 T分类器在15例(45.4%)中识别出了与临床和EEG定位相一致的病变簇,其中8例(53.3%)在3 T分类器下未检出任何病变。

在30/70例(37.0%)7 T分类器未识别出病变簇的患者中,25/30例(83.3%)在3 T下也为阴性。

在1/2例经组织学证实为FCD-I的患者中,7 T簇分类正确检出了病变区域,而3 T分类器未能检出(补充表1)。在经组织病理学证实为FCD-II的患者(8例)中,7 T病变分类器在病变簇检测方面较3 T分类器表现出更优的性能。在1/2例经组织学证实为FCD-III的患者中,3 T簇分类正确检出了病变区域,而7 T分类器未能检出。在2/5例组织病理学检查未发现明确FCD的患者中也观察到了更高的检出率。

总体而言,7 T与3 T病变簇特征的定量比较显示,相对于3 T,在7 T下识别的病变簇皮质厚度呈降低趋势(图7)。在7 T病变簇中观察到标准化皮质厚度(t = 3.056,p = 0.036)、协调灰质FLAIR信号(t = 3.684,p = 0.011)和协调脑沟深度(t = 3.223,p = 0.024)的统计学显著降低。

表2 7 T与3 T MRI病变检测性能比较的指标 查看原表 ↗
图6 一例3 T MRI阴性患者(患者69)中3 T与7 T分类器结果的比较。轴位3 T(a)和7 T(b)FLAIR MRI,7 T T2w(c)和磁敏感加权血管成像(SWAN)(d)MRI;轴位3 T T1w MRI(e)及相应的皮层表面三维模型(f),叠加显示3 T分类器检测到的病灶簇(红-黄叠加);轴位7 T T1w MRI(g)及相应的皮层表面三维模型(h),叠加显示7 T分类器检测到的病灶簇(红-黄叠加);基于3 T和7 T分类器生成的病灶簇的3 T(i)和7 T(j)特征谱。3 T和7 T分类器均在左侧额叶皮层识别出一个病灶簇(e-h),其特征为灰白质对比度改变和灰质FLAIR信号异常(i和j)。3 T分类器还检测到显著的皮层增厚(i),而7 T分类器未检测到该特征(j) 查看原图 ↗
图7 3 T与7 T分类器结果在形态学特征分布上的比较。我们观察到7 T病灶簇在标准化皮层厚度(a)、协调化灰质(GM)FLAIR信号(b)和协调化脑沟深度(c)方面均出现有统计学意义的降低 查看原图 ↗

讨论

我们的研究表明,超高场7 T MRI结合基于表面的后处理,在以儿童为主的局灶性癫痫队列中,对细微FCD或FCD样病变的更好定性或新发现方面,相较传统3 T MRI提供了有意义的改进。

与既往报道一致[14–18],7 T MRI的视觉评估相较3 T MRI提高了局灶性脑结构异常的诊断率,尤其是对于可能被常规成像遗漏的细微皮层异常。尽管各研究报告的改善幅度不一,但我们的发现进一步支持了7 T MRI作为局灶性癫痫辅助工具的临床价值[14–18]。

在视觉判读之外,7 T MRI的后处理相较3 T后处理进一步提高了病灶检出率。在3 T MRI阳性患者中,即使比较后处理数据,7 T也能提供更精细的病灶范围勾画。将7 T成像与基于表面的后处理相结合,能够对病灶形态学特征进行定量表征,补充神经影像学专家的评估。自动分类并非取代视觉分析,而是作为一种辅助手段,提供皮层厚度、灰白质对比度和信号异常的定量客观指标,其程度可能有助于支持临床决策并提高对病灶边界的信心[42]。

基于表面的GNN分类器在45.4%的3 T MRI阴性患者中识别出了病灶簇,与临床症状学和脑电图数据具有高度的空间一致性。尽管在3 T MRI阴性患者中的一致性主要基于临床和头皮脑电图发现,但只有少数这些患者接受了颅内立体脑电图检查和癫痫手术,这限制了将分析仅局限于经组织病理学验证的个体的可行性。然而,在接受了癫痫手术的3 T MRI阴性患者中,7 T分类器突出显示的区域与组织病理学证实的FCD相符。考虑到MRI阴性患者所面临的挑战,这些发现具有重要意义——这些患者即使在接受了广泛且有创的检查(可能包括立体脑电图)之后,仍存在较低的无癫痫发作率[4, 5]。我们的结果表明,先进的非侵入性成像和后处理可能有助于缩小这一诊断差距,通过提高对疑似存在但影像学隐匿的结构性病变患者的假定致痫皮层的定位能力。

我们的结果与既往将形态学分析程序(MAP)[21, 43]应用于7 T MRI的基于体素的研究一致,这些研究报告了MRI阴性患者诊断率的可比性提高。然而,我们采用的基于表面的框架在概念和方法上与MAP不同。通过重建高分辨率皮层表面并在多个皮层深度采样特征,我们的方法捕捉到的形态学和信号强度异常更贴近地反映了皮层结构。GNN [30]进一步能够对特征之间的非线性和空间上下文关系进行建模[44],从而可能实现更具患者特异性的发育不良皮层表征。该方法与MAP使用的逐体素、组级统计框架形成对比,后者将每个个体的特征与健康对照进行比较,以识别统计学上偏离的区域[45]。虽然MAP已被证明有效且应用广泛,但它本质上依赖于群体水平的阈值,可能对微妙的、患者特异性的皮层发育不良模式不够敏感。尽管MAP [21]和基于GNN的分类器都可以在高分辨率7 T T1w数据上运行,但我们的方法额外整合了3D FLAIR成像,能够检测FCD中常见的皮层和皮层下信号异常,尤其是在II型FCD中。

研究之间诊断率的差异可能反映了方法学差异(包括特征选择、空间建模和分类策略)以及队列特征的共同作用。GNN的数据驱动训练使模型能够直接从标记样本中学习复杂的特征交互,而非依赖于预定义的统计对比。这一策略可能有助于识别更细粒度和患者特异性的疾病特征,从而潜在地提高在局灶性癫痫和疑似发育不良病变患儿个体化评估中的适用性,尤其是在常规成像和基于体素的方法可能无法捕捉细微异常的MRI阴性患者中[46]。

我们采用了在 MELD 项目内开发并经过广泛验证的 GNN 算法,该项目是一项大型多中心计划,涉及全球 22 个癫痫中心以及一组在 1.5T 和 3T MRI 下扫描的 1,015 名受试者(618 名患者)队列 [29, 30]。在完整的 MELD 队列中,该分类器在组织病理学确诊患者中的灵敏度为 81.6%,在 MRI 阴性的 FCD 患者中为 63.7%。此前也已提出多种其他基于 MRI 的自动化 FCD 检测器 [25],包括两项基于体素级 MRI 分析的多中心研究中应用的方法 [26, 47]。MELD 分类器依赖 FreeSurfer [38],这是一套稳健且广泛采用的皮层表面重建流程,以 Python 包形式在 GitHub 上公开提供,并在一个大型、异质的真实世界数据集上完成验证,其中包括 256 名儿童患者和 44 例 FCD-I。在我们以儿童为主的队列中,7 T 下实施 MELD 分类器成功检测到 6/7 例组织学确诊的 FCD-I 或无明确 FCD 病变 [31]。除检测性能外,MELD 框架还提供了直观且具有临床意义的结果可视化:对于每个病灶簇,条形图总结了对其显著性贡献最大的形态计量特征。这种可解释性水平使得计算结果能够与常规视觉 MRI 评估直接比较,并有助于将计算检测工具整合到常规神经影像实践中 [48]。

基于 7 T 皮层表面的 GNN 流程在我们的队列中显示出有限的假阳性检测负担。在大多数一致性个体中,该算法仅识别出单个簇,而在同一患者中检测到多个簇的情况并不常见。这一观察结果具有相关性,因为高假阳性率是原始 MELD 表面框架的一个已知局限性 [29]。本研究中观察到的特异性改善也可能反映了更新版 MELD 流程中引入的 GNN 架构的优势 [30, 49],该架构旨在更好地整合相邻皮层区域之间的关系,从而减少不太可能的病变预测。总体而言,这些发现进一步支持基于 7 T 皮层表面的 GNN 方法在癫痫患者术前评估中的潜在临床效用。

在 7 T 与 3 T 下对分类器性能的直接比较表明,超高场成像具有一致的优势。基于 7 T 的分类器检出的病灶簇比基于 3 T 的分类器多 37.5%。在大多数 7 T 未发现异常的患者中,3 T 也未能发现,但有五个例外情况。在两种分类器均识别出病灶簇的患者亚组中,27.5% 的患者其 7 T 分类结果提供了更高的病灶可见性和更清晰的边界描绘。这些改进可能反映了 7 T MRI 更高的空间分辨率和增强的解剖细节,其减轻了与体素大小相关的部分容积效应 [18]。两种方法检出的病灶簇表现出不同的特征谱,对分类器显著性有不同的贡献。基于 3 T 的模型更常强调皮质增厚,而 7 T 分类器更常突出灰白质对比度降低和局灶性信号异常。这一差异与此前的证明一致,即皮质厚度在超高场下测量更准确 [41],从而能够对发育不良皮质进行更精细的表征 [20]。从影像学角度看,FCD-I 通常表现为皮质变薄、灰白质分界模糊,偶尔出现脑叶发育不全,而 FCD-II 更常表现为皮质增厚、信号改变和脑回形态异常 [23]。在我们的队列中,这一区别反映在分类器行为上:在 3 T 下,皮质增厚对病灶检测贡献显著,而 7 T 分类器更常依赖灰白质分界模糊和 FLAIR 异常。7 T 下空间分辨率的提高可能减少了皮质厚度测量的人为增大 [41],使特征权重转向基于对比度和信号的标志物,从而更特异性地捕捉病灶结构。因此,在 7 T 下基于表面的分类可能更好地区分 FCD 亚型,这一效应在检查 MRI 阴性患者时尤为有利,因为在这些患者中病灶显著性的提升最为明显。

改进的先验病灶检测最终可能有助于临床管理,包括在适当时通过减少对有创诊断程序的依赖来辅助手术规划。

应承认若干局限性。首先,MELD分类器最初是在大型1.5T和3T数据集上训练的。尽管我们应用了协调程序,但在7T数据上进行专门训练尚不可行,主要是由于具有清晰可辨病灶的儿科患者数量有限;在我们的队列中,仅49/87例个体在3T MRI上可见病灶。另一个潜在局限性涉及超高场MRI对信号不均匀性和空间畸变的易感性增加,这在颞区尤为明显,可能影响这些区域测量的可靠性,增加患者排除率,并限制后处理MRI原型的临床转化。虽然通过最近的硬件和软件升级以及在我们的处理流程中加入专门的校正步骤部分缓解了这些效应,但残余变异可能仍然存在。GNN流程一致率是在能够耐受高质量、无运动扫描且其数据成功完成基于表面的重建流程的患者中观察到的。最后,我们在两个不同中心采集了3T检查,并在后续扫描仪升级期间收集了7T数据,这是一种技术变异,我们通过应用既定的协调策略加以补偿以限制其影响。我们还承认,将基于3T数据训练的GNN应用于7T扫描涉及域变化,尽管进行了协调,仍可能影响分类器性能。然而,协调后的特征分布分析支持了我们方法的有效性,显示主要分布峰存在实质性重叠,同时保留了特定的场强相关特征。

展望未来,若干发展可能进一步提高基于表面的分类器在超高场下的性能和临床适用性。直接在7T数据上微调预训练分类器、整合额外的MRI对比——如SWAN或GRE,其在7T下对FCD已显示出高敏感性[15]——以及扩大多中心合作以建立更大的、纯7T训练数据集,可能提高模型的稳健性和泛化能力。多对比后处理框架可利用各序列间互补的组织特征进一步提高检出率[28, 50, 51]。持续的技术进步,包括并行发射系统和专用射频线圈,可能进一步减轻B1不均匀性并改善挑战性脑区的图像质量。

结论

通过将超高场MRI与基于表面的重建以及先进的、经过广泛验证的GNN分类器相结合,我们证明了7T MRI配合后处理在局灶性癫痫且疑似细微皮层病变患者中识别局灶性脑结构异常的诊断获益。7T下的基于表面的分析减轻了体素相关的部分容积效应,增强了病灶检测和显著性,尤其是在MRI阴性患者中。这些发现支持7T MRI配合先进后处理作为一种有价值的工具在细微皮层异常诊断中的更广泛临床应用。

补充信息

以下是电子补充材料的链接。

补充材料1(DOCX 10.6 MB)

引用

  1. Lenge, Fiori, Cappelletto, et al. Enhanced detection of subtle cortical abnormalities in focal epilepsy using 7 T MRI surface-based models and graph neural networks. Neuroradiology. 2026. PMID: 42406029. doi:10.1007/s00234-026-04103-8
  2. 全文:PMC13577987(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13577987/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。