利用发作相关 EEG 网络动态无创术前预测耐药性癫痫的手术结局

基于摘要分析。该研究针对耐药性癫痫（DRE）患者 sEEG 引导射频热凝（RF-TC）治疗前的结局预测问题，提出基于头皮 EEG 源成像的无创计算框架，通过量化发作相关脑网络重组提取预测特征，为个体化手术评估提供辅助信息。 研究纳入 50 名 DRE 患者的头皮 EEG，将信号重建至源空间，并划分为发作前与发作期状态。研究依据临床专家术前预定义的致痫区（pEZ）与非致痫区（pNEZ）构建功能脑网络，提取多维发作相关网络特征，再使用 support vector machine（SVM）与 logistic regression（LR）进行结局分类。摘要未交代源定位算法、功能连接估计方式、具体特征及术后结局定义，这些实现与评价条件尚未验证。 作者报告，框架在不同网络阈值下表现较稳定，中等稀疏度时取得最优结果；基于 pEZ 特征获得最高预测性能，最大 AUC 为 0.936，Accuracy 为 0.860。上述数值来自这 50 名患者的分析，但摘要未说明训练与测试划分、交叉验证方式，也未明确两项最高指标是否对应同一模型和阈值，不能据此视为独立队列验证结果。作者报告，SVM 与 LR 均具有较好的分类表现；pEZ 特征的峰值性能较高，而 pNEZ 特征提供互补信息，并在不同阈值下更稳定。 复现与临床解释需重点核对：术后随访时长与结局标签、患者级数据划分、源定位及 pEZ/pNEZ 界定流程、阈值和模型选择是否独立于测试数据，以及置信区间、消融和外部验证。实验协议、消融及统计信息尚未验证。作者将该框架定位为术前决策支持工具，但摘要中的预测结果尚不足以确认其能在实际临床决策中降低无效或高风险干预；此外，其输入依赖临床专家预定义脑区，复现需具备相应定位信息。该工作属于癫痫治疗结局预测，不应等同于 BCI 控制任务。