迷走神经刺激治疗癫痫，如何提前知道对孩子有没有效果？

　　可植入神经技术早就在帮癫痫患儿减轻发作负担。迷走神经刺激（VNS）算里头用得多的一种，可真正起效的只有大约一半人，而且开刀前谁会有效根本猜不到。不少孩子白白挨了这台又入侵又烧钱的手术，却没捞着好处。

　　术前常规拍的T1w序列，或许能记录下和治疗结果相关的脑结构差别，但它维度太高、样本相对太少，拿来做预测模型并不顺手。Rutka教授团队因此端出了VQ-VNS——一个吃术前T1w、预判VNS疗效的深度学习模型。

　　这套模型建立在目前最大规模的小儿VNS队列（n=1046）之上，先证明术前临床数据压根预测不了疗效；随后在7433张T1w图像上做预训练，让分类器能分辨VNS有没有效。它的预测落点集中在5-羟色胺（5-HT）多的脑区，还推断出无应答者大尺度网络连接断了档。靠常规结构影像、又讲得清生物学道理的预测因子，比现在靠临床拍板的路子更靠谱。

研究结果

临床特征预测不了VNS疗效

　　儿童用VNS已有几十年临床经验，确实能压低发作频次、提生活质量、降死亡率。可医生在术前还是认不出谁是应答者。植入技术本身差别极小，结局不同多半出自病人自身的底子，尤其是脑结构与功能的差别。

　　Rutka教授团队借CONNECTiVOS，从11个北美中心收来迄今最大的儿童癫痫数据库（n=1046）。他们把发作频率降了≥80%算应答、≤20%算无应答，这样切出双峰分布，顺带压住中间那段模糊结局的干扰。

图1画的是临床数据预测不了VNS疗效：（a）CONNECTiVOS研究设计总览；（b）按发作频率降幅分的疗效分布，以≥80%和≤20%为线划应答/无应答；（c）队列人口学特征；（d）按VNS应答着色的临床变量UMAP嵌入，应答和无应答分得不清；（e）按中心着色的UMAP嵌入，中心聚类极弱；（f）拿临床特征训的线性SVM在保留集上只有碰运气水平的预测力。

　　研究把每个术前临床变量都和疗效对了一遍，结果没有一个临床特征和VNS疗效明显挂钩。主成分分析（PCA）也佐证了这点，解释方差很低（PC1<12%），也看不出系统性的疗效相关差别。按治疗中心标色的UMAP嵌入虽有肉眼可见、实则很弱的中心分组，提示各中心挑病人的标准略有出入，但不存在强烈的中心层面效应。

　　一个吃了术前临床特征（人口学、癫痫病史、脑电图）的SVM模型，分不出VNS应答者和无应答者，表现仅在碰运气水平。两拨人在输出电流和占空比上也没差。

自监督表示学习抓住解剖结构

　　鉴于上面这个结果，研究团队搞出VQ-VNS——一个基于标准T1w认VNS应答者的深度表示学习模型（图2）。它分两段走：（1）VQ-VAE架构把高维MRI压成紧凑的潜在表示；（2）支持向量机（SVM）拿这些潜在特征给病人分类。

　　VQ-VAE很适合把复杂解剖数据压成紧凑潜在表示。它在没做VNS的健康人和癫痫病人混成的大数据集（n=7433）上训练，用复合损失项调优，好把输入的T1w重建出高质量。

图2是VQ-VNS框架总览：（a）分类流程示意：算VQ-VAE量化潜在的空间均值，过一道特征选择后送进线性SVM预测VNS疗效。HBM（健康大脑网络）、ABIDE（自闭症脑影像数据交换）、CamCAN（剑桥衰老与神经科学中心）、AOMIC（阿姆斯特丹开放MRI集合）、IDEAS（癫痫与手术影像数据库）、FCD-2（Ⅱ型局灶性皮层发育不良）、UNAM-TLE（颞叶癫痫）、HCP（人类连接组计划年轻成人）、SVM（支持向量机）、VNS（迷走神经刺激）。

　　VQ-VAE的重建既留住解剖细节、又抓到有意义的生物学变异。重建和真实体积高度相关，Pearson相关系数落在0.96至1.00之间，空间重叠也强。有明显结构异常的受试者重建保真度偏低，这跟VQ-VAE主要在典型大脑上训练对得上。研究还查了学来的潜在空间能不能不额外训练就抓到VNS疗效相关特征：把CONNECTiVOS里接受VNS儿童的训练子集（263例中的199例图像）逐人编码，分别算出应答者和无应答者的中位潜在表示，量化后解码出合成的原型脑。和原型应答者比，原型无应答者灰质、白质、皮层下体积都缩了，脑室也扩了。这些差别说明，潜在表示抓到了和结局相关的结构特征，而且没专门冲着VNS预测去优化；无应答者相比应答者全脑体积更低（也就是萎缩）。

图3显示潜在表示撑得起VNS疗效预测：（a）代表性受试者图像及其VQ-VAE重建；（b）原始与重建体积的相关性；（c）合成的原型应答者与无应答者；（d）相对原型应答者，无应答者灰质、白质、皮层下灰质体积减少、脑室扩大；（e）1000个经保留交叉验证训出的模型显著好过碰运气（t(1998)=28.6，p=1×10⁻¹⁵⁰；双侧t检验）；（f）SVM在保留测试集上的预测ROC曲线（AUC=0.73，置换检验p=0.007），这预测专门对着VNS，外推不到颞叶切除结局（AUC=0.57，置换检验p=0.12）。MS-SSIM（多尺度结构相似性）、VNS（迷走神经刺激）、TLE（颞叶切除）。

潜在表示支撑准确预测与空间解释

　　为摸清潜在空间对VNS术后疗效的预测用处，研究用冻住的VQ-VAE编码器出来的量化潜在向量训了个线性SVM。每人拿到一个32维特征向量，每个元素装的是从底层T1w学来的对应潜在特征的全局幅度。接着在训练数据（n=199）上按双侧t检验做特征选择，再训多个分类器比高下。SVM表现最强，潜在表示里带着可量的预测信号。

　　SVM在VNS队列的训练（n=199）和验证（n=25）子集上训，放到独立的保留测试集（n=39）上测，模型预测VNS疗效的AUC达到0.73。VQ-VNS在不同治疗中心之间也保住预测力。分类器准确率高于碰运气水平（0.61–0.67），说明存在和VNS疗效预测相关、且不随中心变的结构性特征。

　　在一个独立的儿童颞叶癫痫术后队列上测性能，SVM在颞叶切除后没能超过碰运气去预测结局，决策边界外推不到这群人。研究还认出好几个预测价值高的区域，包括丘脑、脑干和中央沟周围。

模型显著性落在被破坏的血清素能网络

　　为弄懂模型预测和脑化学架构的关系，研究把VQ-VAE的显著性图和1200多名健康人的九套神经递质系统的受体、转运体密度拓扑做了相关。神经递质受体在新皮层分布不均，能被植入技术调来改神经状态、重塑网络层面的通信。每次相关都拿旋转置换检验造的零分布来比对——每回置换给所有受试者的潜在显著性图施加同一个旋转仿射变换，再上采样取平均。VQ-VAE的注意力落在5-羟色胺（5-HT）表达多的脑区。

　　显著性图的解剖分布样式还暗示更广的脑网络卷进VNS疗效。研究用病变网络映射（LNM）——借规范性连接组数据把局灶结构异常和大尺度脑回路破坏挂上钩的办法。无应答者相对2382名典型发育儿童的脑萎缩，是不是汇到和VQ-VNS显著性谱一致的共同网络。研究确认皮层厚度测量没有中心特异的批次效应，而且组水平的萎缩空间样式本身分不清应答和无应答。区域性脑萎缩图汇到和VNS无应答者相关的大尺度结构、功能网络，经旋转置换检验后，VQ-VNS的显著性图和这些结构、功能网络显出显著的空间一致。网络发现也和已知经孤束核接住迷走神经传入纤维投射的脑区对上，包括被VNS激活的区域。

图4是模型显著性落在血清素能网络：（a）VQ-VAE显著性图叠在MNI模板上；（b）旋转置换检验流程：受试者潜在显著性图经随机仿射旋转后上采样取平均，造出零分布；（c）模型显著性集中在5-HT多的脑区（单侧旋转置换检验，p=0.04）；（d,e）用规范性结构（d）和功能（e）连接组数据做的LNM显示，无应答者的区域性萎缩破坏了大尺度网络，空间和显著性图一致（分别为p<0.001和p=0.04；单侧置换检验）。Grad-CAM（梯度加权类激活映射）。

研究讨论

　　术前预测不了VNS疗效，等于让一半孩子吃了入侵性治疗却没受益，还白担不必要风险。现在挑候选人的手段只靠术前临床特征，表现不比碰运气强。本研究里Rutka教授引出VQ-VNS——一个用单次术前T1wMRI预判VNS疗效的深度学习模型。它靠抓住提示网络层面功能障碍的特征，把T1wMRI的用处从结构评估往外扩了一圈。把随手就能拿到的结构影像和可解释的、基于表示的架构拧在一起，VQ-VNS给个体化结局预测、以及推导神经调控疗效的机制性见解，添了新框架。

　　VQ-VNS还解了把深度学习塞进临床神经影像的一个核心疙瘩：数据维度高、样本量却有限，两头对不上。老办法通常二选一地解这个不平衡：有的扒粗略的区域特征，能建模区域间互动却丢了空间精度；体素或顶点级分析保住高空间分辨率，却把每个位置独立对待，对空间聚集的组水平差别敏感，同时忽略撒在全脑的细碎分散样式。这种两难逼人在空间分辨率和全局背景之间取舍，限制了对那些驱动复杂临床结局的、分散的非线性互动的捕捉。

　　VQ-VNS用向量量化变分自编码器学出保住全局相关特征的紧凑全脑表示。借卷积架构的空间归纳偏置，VQ-VAE把分散的结构样式编进适合可解释分类的低维潜在空间。把本用来生成任务的向量量化模型重新派上用场，VQ-VNS在细节和整合之间搭了桥。

　　在儿科年龄跨度里，VQ-VNS都显出高于碰运气的预测准确度。CONNECTiVOS里已证实，儿童植入时的年龄和VNS疗效不相干。反过来，由VQ-VNS显著性图表征的脑萎缩样式能跨发育阶段预测疗效。显著性图和LNM分析（脑萎缩相对规范性年龄、性别匹配的发育轨迹做参数化）的汇聚，撑起一个框架：结构性脑改变在驱动VNS疗效。

　　深度学习模型光靠结构影像就能推断出和临床相关的脑网络架构改变。早先动物和人体研究已表明，VNS调制分布式脑区活动——包括孤束核、丘脑、岛叶、躯体感觉皮层和default模式网络。Rutka教授团队的发现提示，深度学习模型能直接从结构影像推出这些网络层面的改变。

　　这些发现说明，以5-羟色胺（5-HT）多的脑区为中心的大尺度网络破坏，可能是癫痫里VNS疗效差别的根子。5-HT能信号传导被认为掺进VNS诱发的神经可塑性，还被看作有抗癫痫作用，因为药物耗掉5-HT水平已在多种模型里抬高了发作易感性。这汇拢把5-HT能回路当成癫痫中VNS疗效的假定中介，并提议类似机制可能帮到VNS治别的病（比如难治性重度抑郁）。佐证这一点的是，临床前研究已证实，靶向破坏5-HT能神经元会抹掉VNS的抗抑郁效应。5-HT能通路在人体神经影像和动物模型里持续露面，指向不同神经、精神疾病中VNS疗效共用的神经生物学底物。

　　往后该把概率分类器也纳进来，好给出更帮临床医生拍板的置信度估计。本研究提出一个特定的深度表示学习模型，用随手能拿到的成像序列预测VNS疗效。它有着扎实的神经生物学机制可解释性，能改进现在只凭临床特征定VNS候选的做法。用它能提前认出可能应答者、把假定无应答者引向替代神经技术，从而撑起更有效的治疗规划，优化病人结局和医疗资源利用。

常见问题

问：VNS对小孩癫痫到底管不管用？

答：儿童用VNS已有几十年经验，能压低发作频次、改善生活质量、降低死亡率。但真正见效的只有大约一半，而且开刀前没法预知谁在这半数里。

问：有没有办法术前知道VNS对我家孩子有效？

答：Rutka教授团队的VQ-VNS模型，靠术前一次T1w结构MRI就能预判疗效，测试集AUC达0.73，明显好过只靠临床特征（仅碰运气水平），且跨治疗中心都稳。

问：这个模型到底看脑子哪方面？

答：它看的是全脑结构影像里和5-羟色胺（5-HT）富集区相关的大尺度网络。无应答者全脑萎缩、灰白质和皮层下体积缩小、脑室扩大，和有应答者不同。

问：模型准吗，会不会误判？

答：保留测试集AUC=0.73，1000次交叉验证显著优于碰运气（p极小）。但它专对VNS，外推不到颞叶切除等别的手术（AUC=0.57），目前仍属研究阶段。

问：这项研究对看病有啥实际用？

答：有望术前筛出可能应答者、把估计无效的孩子引向别的神经技术，少挨一刀没用的手术。不过还待临床落地，不能直接拿来做决定。