【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鲁特卡教授曾任世界神经外科学院院长，现担任世界神经外科知名杂志《Journal of Neurosurgery》主编。三十余年来，他深耕于儿童神经外科领域，带领团队在脑瘤分子分型、精准治疗、新药研发及微创治疗方面取得多项突破，为全球神经外科疑难病患儿带来新希望。其最新发表的研究《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）主要内容如下。

01 研究概览

　　研究者应用机器学习方法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，并识别出关键预测因子：视频-EEG一致性、病灶大小、术前发作频率及抗癫痫药物数量。梯度提升机算法在该预测中表现最佳。通过量化个体无发作概率，该模型有助于优化患者选择并改善术前咨询。

02 研究目的

　　MR引导下激光间质热疗（MRgLITT）与开颅手术相比创伤更小，但术后无癫痫发作率相对较低，且其预测因素尚未明确。本研究旨在利用机器学习预测儿童接受MRgLITT术后1年的无癫痫发作结局，并识别关键预测因子。

03 研究方法

　　本项多中心研究纳入了13家癫痫中心接受MRgLITT治疗的儿童患者。研究以临床资料、术前评估及消融特征作为变量，预测术后1年无癫痫发作率。其中12家中心的数据用于模型训练，其余1家中心数据用于测试。训练过程中采用10折交叉验证构建5种算法，并在测试集上评估其性能。

ML分类器开发与测试流程如图所示。各中心以代号A-M表示，以确保中心信息保密。

04 研究结果

　　共纳入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为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介于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为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。绿色箱线表示被确认为重要变量，红色箱线表示被剔除变量；蓝色箱线（shadowMin、shadowMean、shadowMax）显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。ROC-AUC达到最优时的变量数目以实心圆标出。Sz = seizure。图示在线提供彩色版本。

05 研究结论

　　明确MRgLITT术后无癫痫发作的预测因素，有助于开展个体化预后评估。

06 关于作者

​国际儿童神经外科专家 James T. Rutka鲁特卡教授​

　　教授为世界神经外科联合会（WFNS）执行委员会及顾问委员会成员，已发表超过500篇学术论文。临床研究方向主要集中在颅内肿瘤，对胶质瘤、纤维瘤、颅咽管瘤、室管膜瘤拥有多年诊疗经验，擅长清醒开颅术、显微手术，以及广泛应用于恶性脑瘤和癫痫治疗的激光间质热疗（LITT）等国际前沿技术。针对儿童胶质瘤，尤其是高级别胶质瘤，他主持开展多项临床试验。其所任职的加拿大SickKids医院为国际知名儿童医疗机构之一。