摘要
背景: 神经振荡与帕金森病的症状有关。可以利用这种关系来优化深部脑刺激 (DBS),例如通过通知设备或人关于刺激的最佳位置、时间和强度。到目前为止,振荡是否能预测单个DBS的结果还不清楚。
目的: 从丘脑底功率和丘脑-皮质相干性预测运动症状的改善。
方法: 应用机器学习技术同时记录36例帕金森病患者的脑磁图和局部场电位数据。将梯度增强的树学习与特征重要性分析结合使用,以生成和理解样本外预测。
结果: 几个特征足以做出准确的预测。例如,在五个相干特征上运行的模型实现了实际结果和预测结果之间r> 0.8的相关性。与丘脑底功率相比,相干性包含更多的信息,其特征更少,尽管它们的信息含量总体上是可比的。这两个信号都最好预测运动不能/肌强直。最重要的局部特征是丘脑下高 β 功率 (20-35Hz)。最重要的连接特征是极高频带 (>200Hz) 的丘脑-顶叶相干性和低γ带 (36-60Hz) 的丘脑-顶叶相干性。成功的预测不是基于该模型从神经元振荡推断到目标的距离或症状严重程度。
结论: 本研究首次证明了神经元振荡可以预测DBS结果。丘脑下和顶叶振荡之间的一致性特别有用。这些结果突出了基底神经节-皮质环的区域间同步的临床相关性,并可能有助于将来进一步改善DBS。
介绍
帕金森氏病是一种常见的神经退行性疾病,影响全球约6.1万人 。除了左旋多巴等药理学药物外,深部脑刺激 (DBS) 也用于帕金森氏病的对症治疗。DBS的常见目标结构是丘脑底核 (STN) 它通过基底神经节皮质环与苍白球、丘脑和几个皮质区域相连。在帕金森氏病患者中,这些循环中的活动以强烈的神经元振荡为特征,在连接的结构上同步。神经元振荡与帕金森症状密切相关。特别是STN β 振荡 (13-35Hz) 已被证明反映了运动状态。它们通过自愿运动、药物治疗和DBS 减少。相比之下,高伽马振荡 (60-90Hz) 是运动障碍的标志,通常是多巴胺能药物治疗的副作用。震颤与个体的窄带振荡有关震颤频率,可在整个分布的皮质下震颤网络中观察到。鉴于它们与帕金森症状的复杂关系,最近的研究探索了神经元振荡在优化DBS中的效用。这些研究中的大多数都集中在电生理信号的动力学上,并使用振荡来使DBS适应症状严重程度的自发变化,例如开-关现象波动或震颤。其他研究评估了准平稳振荡活动对优化电极放置的效用,补充了DBS 中 “最佳位置” 的成像研究。Zaidel等。证明了DBS结果与背外侧STN和STN β 功率中振荡区域的长度之间的正相关关系。在这里,作者采用了类似但更全面的方法来探索DBS结果与神经元振荡之间的关系。作者分析了外部化导联帕金森病患者的同步脑磁图(MEG)和局部场电位(LFP)记录,以评估STN振荡及其与皮层活动的同步性。通过应用机器学习技术证明了可以根据未就诊患者的神经元同步模式同时考虑许多频带和大脑区域,以预测其DBS结果。
材料和方法
本研究的目的基于带限STN功率和STN-皮质相干性来预测DBS实现的运动症状减少。为此,我们训练和评估了基于从MEG-LFP数据集提取的特征的机器学习模型,该模型由杜塞尔多夫大学医院进行的两项先前研究提供。两项研究均招募了根据标准临床标准选择STN DBS的帕金森氏病患者。
2.1 患者和测量详细信息
根据赫尔辛基宣言,在测量前一天,为36名获得了书面知情同意的帕金森氏病患者植入STN DBS深部脑电极。患者详细信息见补充材料表S1。通过306通道MEG系统 (Elekta Neuromag) 以2 kHz (研究1) 或2.4 kHz (研究2) 的采样率记录MEG信号。使用外部化导联和乳突参考同时记录LFPs。LFP信号被安排成双极导联离线。用于外部化的电缆几乎不包含铁磁材料,并且不会引起主要的MEG伪影。此外还记录了前臂肌电图以及垂直和水平眼电图。患者以直立姿势休息,睁着眼睛。测量是在隔夜停用多巴胺能药物 (Med OFF) 后进行的。在一部分患者中,作者在摄入左旋多巴 (Med ON) 后约1小时进行了其他记录。在这里,我们只分析了Med OFF数据。运动障碍协会的统一帕金森氏病评定量表 (UPDRS) 第三部分是由经验丰富的运动障碍专家在优化DBS参数后获得的。在大多数情况下,在LFP-MEG测量后3至6个月之间进行评分 (表S1,补充材料)。
2.2 数据分析
一般分析流程如图1所示,它包含一个用于特征提取的子流水线 (图1A) 和一个用于预测的子流水线(图1B)。
2.2.1 接触选择
首先,作者通过挑选在UPDRS评估时用于治疗性DBS的触点和在最腹侧和最背侧触点之间的中点方向上最近的相邻触点来为每个半球选择一个电极触点对。如果治疗DBS是双极的,或者如果初始选择包括不良LFP通道,即具有强噪声/弱信号的通道,则调整该选择。在前一种情况下选择用于治疗性DBS的双极对,在后一种情况下在电极中心方向上选择坏通道的最接近者。如果在植入分段导联的患者中使用一组节段进行DBS,则首先从原始乳突参考到最近的点重新参考每个活动节段的信号,分别计算特征并对节段进行平均。用引线DBS进行的导联定位,证实了所有研究中的电极的正确放置 (图2A)。
2.2.2 数据预处理
数据使用Fieldtrip工具箱进行预处理。LFP和MEG数据进行了目视筛查。包含文物的不良通道和时期被丢弃。数据被分割成具有50% 重叠的2s窗口 (频率分辨率: 0.5Hz)。
2.2.3 STN功率
我们应用了Hanning锥度,并使用Welch方法为1至398Hz之间的每个整数频率计算了功率。通过将谐波中的 ± 2Hz值替换为通过线性插值获得的替代值,消除了线路噪声及其谐波。使用拟合振荡 (FOOOF)算法从LFP功率谱中去除非周期性 (1/f) 分量。此步骤对于确保预测模型在神经元振荡上正常运行是必要的。与功率不同,相干性是不需要此校正的归一化量。应用FOOOF时,反复调整其参数直到达到良好的拟合效果为止,每种情况都可以直观地确认。由于对整个频谱的良好描述通常无法用单个模型实现,因此作者对低于90Hz和高于200Hz的频率范围进行了单独拟合 (此处未分析90和200Hz之间的频率)。保留周期减去非周期性分量,并在八个感兴趣的频带内平均功率: δ/θ (3-7Hz),α (8-12Hz),低 β (13-20Hz),高 β (21-35Hz),低 γ (36-60Hz),高伽玛 (60-90Hz),慢速高频振荡 (sHFO; 200-300Hz) 和快速高频振荡 (fHFO; 300-400Hz)。
图1 分析流程 (A)特征提取。在接触选择之后,根据傅立叶频谱计算STN功率和STN-皮质相干性。STN功率经过1/f校正,并在频带内取平均值。使用波束形成对STN-皮层相干性进行源定位。每个源被分配到30个皮层包裹中的一个,并且源相干性在包裹和频带内被平均。带限STN功率和STN-皮层相干性形成半球特征向量。(B)留一法回归。将左右半球特征向量垂直堆叠以形成受试者特征向量。将主题特征向量水平堆叠以形成特征矩阵。在留一循环的每次迭代中,留出一个受试者(测试集)。剩余的训练集被分成3份,用于交叉验证的超参数调整和特征选择。测试特征作为回归模型的输入,预测UPDRS III总分降低。
2.2.4 STN-皮质相干性
相干性被估计并定位在每个频带一次,而不是每个频率一次。作者使用多重锥度方法计算了频带中心频率的相干性,并应用了适当的频谱平滑来包括整个频带。对于覆盖线路噪声谐波的频带计算了子频带的估计值 (不包括谐波),并对其进行了平均。使用相干源的动态成像对相干性进行源定位。作者使用了基于个人T1加权 MR图像的逼真的单头部模型。波束形成器网格包含均匀分布在皮质和小脑表面的567个位置。它与蒙特利尔神经研究所 (MNI) 的空间对齐,允许网格分成自动解剖标记 (AAL) 图集中定义的30个区域的超集。补充材料表S2提供了这些区域的详细信息。
在特征提取之后,将特征排列成大小为n患者x特征的特征矩阵 (图1)。在此矩阵中,每个受试者由一列表示,该列包括STN功率和STN-皮质相干性以及左右STN的同侧和对侧皮质包裹。还测试了两种替代设计,但发现其性能较差 (补充材料的图S2): 一种以半球而不是受试者为观察单位,另一种是根据半球相对于受影响较大的身体侧的偏侧度来排序半球。
2.2.5机器学习模型
为了预测运动改善,作者采用了极端梯度提升算法,如Python的XGBoost包。在这个框架中,目标分数是通过一系列决策树在训练过程中逐树组装来预测的。XGBoost通过赢得众多机器学习比赛而广受欢迎,并且是机器学习中常用的工具。适合电生理数据集,这些数据集通常很小,结构化且嘈杂。在Merk等人最近的一项研究中,XGBoost在基于STN和皮质振荡的抓地力预测方面的表现优于线性回归和人工神经网络。
2.2.6特征重要性分析
旨在描述单个特征或特征子组对机器学习模型做出的预测有多大贡献。在这里,作者使用SHapely加法解释 (SHAP) 的Python实现来量化特征重要性。SHAP值是Shapley值的估计值,属于合作博弈理论概念,用于在玩家之间公平分配支出。除了具有一系列理想的数学属性外,SHAP值还具有直观的解释: 它们与当前模型输出和平均模型输出之间的差相加。虽然该概念适用于任何机器学习模型,但已经开发了诸如TreeSHAP之类的专用版本,并针对基于树集成的模型 (例如XGBoost) 进行了优化。
2.2.7 预测DBS结果
通过UPDRS III sum评分Med OFF/Stim OFF - Med OFF/Stim ON的差异来量化,除非另有说明。以留一法顺序计算每例受试者的预测值,即每例受试者作为测试集一次,在所有其他迭代中是训练集的一部分。在留一循环的每次迭代中,使用训练集的均值和方差对特征进行标准化。接下来,我们根据在训练集上计算的平均绝对SHAP值来选择最重要的k个特征。然后将训练集细分为三个部分,以便使用Hyperopt软件包进行交叉验证的超参数调整。优化程序和所选参数详见补充材料。模型性能由实际和预测DBS结果之间的均方根误差 (RMSE) 和Pearson相关系数量化。作者进一步应用了电生理学不可知的零模型来建立性能基线。零模型通过平均训练集的结果生成DBS结果的预测。
2.3 统计
使用scipy.stats软件包的pearsonr函数评估相关性的显著性(双侧检验;统计学:B;显著性水平:0.05)。当重复计算相关系数时,使用Benjamini-Hochberg程序应用错误发现率(FDR)校正。
图2 频谱特征 (A)重建电极位置。丘脑底核用黄色表示。(B)STN功率,半球平均值,低于90 Hz。(C)as(B)为高频范围。(D)按皮质包裹划分的组平均STN-皮质相干性。实线表示平均值。阴影表示平均值的标准误差。标签“同侧”和“对侧”指的是丘脑底核。(E)作为高频范围的(D)(多锥度法,±5 Hz频谱平滑)。黑色虚线表示在时间上重排数据段之后同侧和对侧相干性的水平。
结果
3.1 特征
图2和图3中分别示出了特征的光谱和空间特征。STN功率谱在 α,低 β 和高 β 波段中包含峰值。个别患者显示出额外的高伽马峰 (图2B)。HFO谱以sHFO峰为主,如先前针对药物关闭状态 (图2C) 所述。相干光谱包含强 α 峰,这些峰普遍存在,但在STN同侧的颞部区域最为明显 (图2D)。STN同侧的内侧感觉运动和相邻区域还显示出强 β 峰,如先前的研究报告 (图3)。相干谱不包含任何一致的HFO峰 (图2E),但是一些受试者在该范围内具有比其他受试者更多的相干性 (补充材料的图S1)。最后,许多相干谱在 δ/θ 范围内有几个窄峰,大概反映了震颤,在个别患者中发生的频率略有不同。
3.2 模型性能
作者根据特征数量评估了在STN-cortex coherence (连通性模型) 或STN power (局部模型) 上运行的预测模型的性能。为了测试模型是否更好地预测了DBS益处或症状严重程度,作者分别预测了DBS OFF和DBS ON评分 (收益) 和DBS OFF评分 (症状严重程度) 之间的差异。所有UPDRSIII评分均在手术后几个月收集 (表S1)。当预测DBS益处时,连通性和局部模型都优于空模型,空模型通过平均列车组的结果来估计DBS结果 (图4A; RMSENull: 6.74)。基于连接性的模型即使使用单个功能也优于空模型,并且通常比本地模型 (avg. RMSEconn:5.1,avg. rconn: 0.64) 更好。局部模型需要至少四个特征来实现比空模型更好的性能以及预测的和实际的DBS结果之间的显著相关性 (图4B; avg,RMSElocal: 6.0,avg. rlocal: 0.42)。
OFF分数的预测不如DBS效益准确。连接模型根本无法执行此任务 (图4C和D; RMSEnull_off: 11.09; avg. RMSEconn: 13.42,avg. rconn: 0.10)。然而,在3-6 STN功率特征上操作的本地模型实现了实际和预测DBS OFF分数之间的显著相关性 (图4D; RMSEnull_off: 11.09; RMSElocal_5: 9.04,rlocal_5: 0.55)。
3.3 功能重要性
该分析旨在揭示成功预测临床效益的最重要功能。为了评估特征的重要性,作者对所有有助于先前分析的模型 (图4) 和感兴趣的类别 (如频带 (图5A和B)) 的绝对SHAP值进行了总结,大脑区域 (图5C)和相对于STN的半球 (图5D)。对于局部模型,STN高 β 功率是最重要的特征,其次是alpha和sHFO功率 (图5A)。强的高 β 功率表示良好的DBS结果。相比之下,较强的 β 带相干性并不代表良好的结果 (图5B)。连通性模型主要依赖于fHFO、低 γ 和 θ 振荡。与顶叶区域的连接特别重要 (图5C)。正如预期的那样,STN和同侧皮质之间的一致性比STN和对侧皮质之间的一致性更重要 (图5D)。
图3 源定位STN-皮层相干性 在半球上求平均值之前,通过空间平均值对相干性进行归一化。翻转全脑图像,使STN同侧的大脑半球位于右侧。归一化的相干性是用颜色编码的。Theta: 3-7 Hz; alpha: 8-12 Hz; low-beta: 13-20 Hz; high-beta: 21-35 Hz; low gamma: 36-60 Hz; high-gamma: 60-90 Hz; sHFO: 200-300 Hz; fHFO; 300-400 Hz.
图4 模型性能与要素数量(A)均方根误差作为DBS关闭-打开评分预测的特征数量的函数。(B)Pearson相关系数,量化预测和实际DBS结局之间的相关性,用于预测DBS关闭-打开评分。灰色阴影突出了显著相关性(p〈0.05,FDR校正)。(C)为DBS OFF评分为(A)。(D)为DBS OFF评分为(B)。STNlocal:基于STN功率特性运行的型号; STN conn:对STN-皮质相干特征进行操作的模型。
3.4 结合局部和连接性特征
作者研究了在预测DBS收益时结合局部和连接性特征的潜在优点。为了简化解释使用了固定的功能集,而不是如上所述为每个单独的主题运行数据驱动的选择。作者选择了五个局部和五个具有最高总体形状总和的连通性特征 (因为五个是最低的数字,在先前的分析中,局部和连通性模型都达到了良好的性能)。所选择的特征在图6B中列出。如图6A中所示,最佳-5连接模型 (RMSEconn 1/4 3.54,rconn 1/4 0.84,pconn 1/4 1e-14) 优于最佳-5本地模型 (RMSElocal 1/4 5.77,rlocal 1/4 0.52,plocal 1/4 0.001)。将局部特征添加到连接性特征并不能进一步改善连接性模型(RMSEcomb ¼ 3.61,rcomb ¼ 0.84,pcomb ¼ 1.69e-10)。图6B示出了组合模型的特征重要性以及特征值和特征重要性之间的关系。连接性特征通常比局部特征对预测的影响更大。最大的影响归因于右STN与同侧顶叶下皮质之间的fHFO一致性。低值强烈驱使预测走向更差的预测结果。实际上,当将此特征与DBS结果直接关联时,可观察到近似对数关系,即结果随着相干性的降低而急剧下降(log(coherence)-结果相关性: r/0.40,p/0.02)。特征重要性分析进一步表明,在低 γ 带中,右STN和同侧顶叶皮层之间的强耦合以及右STN和对侧顶叶皮层之间的弱耦合促使预测达到良好的DBS结果。theta带的左STN与对侧,下枕叶皮质之间的强耦合以及低 β 带的右STN与颞叶皮质之间的弱耦合也是如此。
图5 特征重要性 条形表示所有模型和相应类别内的绝对形状值之和。(A、B)频段。(C)大脑区域。(D)半球。高条指示相应类别的特征对预测具有强烈影响。颜色表示每个类别中SHAP值和特征值之间的平均相关性。深红色表示高特征值始终使预测值趋向更高。深蓝色表示高特征值始终将预测推向较低值。
图6 局部模型和连通性模型的比较(A)散点图显示使用五个最佳局部特征(绿色)、五个最佳连通性特征(橙子)和五个最佳局部和连通性组合特征(紫色)的实际和预测DBS结局之间的相关性。(B)组合模型的每个特征的SHAP值。每个点代表一个受试者。x轴上的高值表示相对于平均值在负方向(SHAP〈0)或正方向(SHAP〉0)上对预测的强烈影响。归一化的特征值用颜色编码。
3.5 特征相关性
尽管自动选择的最重要的局部特征集包含具有清晰峰值的频带,并且在帕金森氏病病理生理学 (例如 β 和HFO带) 中具有既定作用,但最重要的连通性特征集却没有。为了更好地理解这些特征的性质,作者研究了它们与所有其他特征的相关性 (图7A)。fHFO和顶叶皮层的低γ相干性与大量其他特征密切相关,特别是与整个半球〉35 Hz的连接。然而,将最佳的五个连通性特征中的每一个用它们最接近的相关性来代替,会大大降低性能(图7 B;均方根误差最佳值为3.61,相关系数最佳值为0.84,相关系数最佳值为1.69e-10; RMSEcorr ¼ 6.47,rcorr ¼ 0.29,pcorr ¼ 0.09),表明所选特征不是高度相关特征组的任意代表。通过在时间上打乱LFP信号来破坏真实的相位关系,消除了预测STN-皮层相干性的临床益处的能力,证明了连接模型依赖于相位信息(补充材料的图S3)。
3.6 控制分析
鉴于导联放置对DBS利益的关键作用,我们好奇信息量最大的特征是否可能反映到目标距离。最好的10个特征都没有与LFP通道到STN DBS公布的 “最佳点” 的距离显着相关,并且距离不能单独预测临床益处 (见补充材料)。对一组潜在的混杂因素进行了类似的观察,包括记录持续时间,电极类型 (分段与非分段),自记录以来经过的天数和信噪比。结论是,电生理模型的成功不能通过与这些变量的相关性来解释。
图7 五个最佳连通性特征的相关性和可替换性(A)五个最重要的连通性特征与所有其他特征之间的Pearson相关性。为了可读性,相关性在额叶(额叶、顶叶、颞叶、枕叶)内平均。(B)五个最佳连接性特征、其最强关联和第二强关联的预测性能。
3.7 预测特定症状的改善
在先前的分析中,作者通过降低代表整体运动症状严重程度的UDPRS III sum评分来量化DBS结局。为了解局部和连通性特征是否与特定的和可能不同的症状相关,作者计算了每个单独的UPDRS III项目 (图8A和C) 和运动障碍的预测,使用上述最佳-5局部和最佳-5连通性模型的震颤和轴向子集和分数 (图8B和D)。局部和连接模型具有非常相似的RMSE配置。两者都可良好预测DBS引起的运动障碍/肌强直的改善效果。
图8 单项预测 (A)局部模型的单项预测。(B)局部模型的子集总和分数预测。(C)(A)为连通性模型。(D)(B)为连通性模型。
讨论
前面已经证明,可以从帕金森氏病患者的STN功率和STN-皮质相干性预测DBS结果。作者研究结果表明,STN-皮质相干性尤其是临床获益的良好预测指标。
4.1 与先前研究的联系
很少有研究基于电生理数据对DBS结果做出样本外预测。目前只有三个研究,所有这些研究都调查了手术期间记录的来自STN内部或附近的信号。本文中,作者应用了一种网络方法,将丘脑下振荡及其与各种皮质区域振荡活动的同步性结合在一起。在这方面,作者的方法可以被认为是区别性纤维束描记术的电生理手段。这是一种从结构连接与组织激活体积 (VTA) 预测DBS结果的技术,这是对活动接触周围神经调节的空间范围的估计。这种方法和相关方法有助于准确预测许多疾病的DBS结果,包括帕金森氏病,强迫症,抽动秽语综合征和特发性震颤。尽管结构和功能连接不一定包含有关DBS结果的冗余信息,但结构连接构成了功能连接的基础,这表明两者都可以预测DBS在个别患者中的疗效。这项研究表明情况确实如此。预测的DBS结果 (仅来自一些功能连接特征) 与实际结果高度相关。基于训练集中的平均结果预测DBS结果的null模型的表现更差,即了解个体电生理有助于改善DBS结果的现实期望。
4.2 DBS结果与神经元振荡
从神经元振荡预测临床收益之间的联系可能由于以下原因而起作用。首先,夸大的同步本身已被建议导致帕金森病。如果振荡是因果过程,则估计该过程围绕刺激接触的强度可能有助于预测单个患者的DBS效应。
或者,成功的预测可以通过振荡和接触位置之间的一致关系来解释,众所周知,这是DBS的关键因素。实际上,β 和HFO振荡在STN区域具有特征的空间分布。然而作者发现LFP通道到STN DBS已发布的最佳位置的距离几乎没有预测能力,并且与最有信息量的振荡特征无关。这可能是样本的特征,仅包括具有最佳临床疗效的接触者,在本案例中,在导联、接触等放置方面差异很小。据推测,如果要包括离目标更远的其他联系人,例如未为DBS选择的联系人,则位置将成为信息的关键部分。作者无法在这里进行调查,因为缺乏对非选择接触者的临床效果的良好表征。预测可能部分依赖于有关DBS调节偏远皮质区域的能力的信息,这可能是DBS的临床效果的关键。这将解释为什么连通性模型比本地模型表现更好,以及为什么它们可以预测DBS的益处而不是症状严重程度。刺激是否可以达到相关的解剖学联系可能与DBS的临床效果有关,但与患者的运动状态关闭刺激无关。根据定义,STN-皮质相干性携带有关功能连通性的信息。此外,最近已证明它与连接STN和皮质区域的重建纤维束的密度相关,即它还包含有关解剖连接的信息。有趣的是,同一项研究表明,STN β 振荡可能是皮质输入的结果,这意味着即使局部振荡也可能与STN-皮质连接有关。
4.3 特征重要性
在本文中,作者应用特征分析来识别特别有用的特征。该分析得出STN高 β 功率是最重要的局部特征,这与最近在PD灵长类模型中的分类研究一致。这一发现进一步与最近的一项研究一致,该研究报告称,高 β 振荡活动将STN与邻近结构区分开。相反,STN-皮质 β 相干性与预测的相关性较小。该观察结果与对多巴胺作用的研究相吻合,发现左旋多巴实现的症状减少程度与 β 相干减少程度之间无关。虽然与运动皮层的 β 相干性并没有成为非常重要的特征,但其他频段的相干性对DBS结果的预测能力却很强,甚至比STN高 β 功率还要高。在高频 (低 γ 和fHFO) 下,STN和顶叶皮层之间的相干性可以准确估计DBS功效。考虑到这些频带不包含相干峰,这有点令人惊讶。尽管缺乏结构并且与其他皮质区域的高频耦合 (>35Hz) 具有很强的相关性,但这些特征似乎与DBS结果特别相关,因为它们在不损害性能的情况下是不可替代的,并且通过改组失去了预测潜力。
顶叶特征的重要性表明顶叶-STN连接的临床相关性。然而,鉴于特征之间的强相关性,这一假设需要独立研究的证实。许多PET研究报告STN DBS导致顶叶区域的代谢变化,证明DBS调节顶叶皮层。此外,PD患者在STN和顶叶皮层之间的静息状态BOLD信号相关性方面与健康对照组不同,这表明这种联系的病理相关性。最后,STN和顶叶皮层被认为是大脑网络的一部分,用于反应抑制。该网络被认为是偏侧至右半球,这可能与以下事实有关: 此处确定的所有重要顶叶连接特征都是右STN特征,这表明左STN和右STN可能与临床改善没有相同的关系。良好的预测需要来自两个半球的数据这一事实进一步支持了这一假设。
4.4 STN功率与STN-皮质相干性
本研究的一个研究问题是STN功率和STN-皮质相干性是否携带有关DBS结果的不同信息。作者的结果不支持这一假设。尽管局部模型确实实现了合理的预测,但添加局部特征并不能改善性能最佳的连通性模型,这表明STN功率携带的信息已经包含在STN-皮质相干性中,即使频带不同。类似地,当预测单个UPDRS项目时,局部和连通性模型都显示出非常相似的性能概况,即,对于两种特征类型,准确预测的症状减少和非准确预测的症状减少是相同的。总之,STN-皮质相干性似乎在较低数量的特征中浓缩了更多的信息,但是力量和相干性似乎并不是独立的信息源。相同的分析表明,STN功率和STN-皮质相干性最好地预测了运动障碍/肌强直的降低。这可能是由于运动障碍和 (β) 振荡之间的已知联系,并且可能还反映了所研究组的共同特性。所有患者都普遍存在一定程度的运动障碍和僵硬程度的降低,而只有一部分患者表现出明显的震颤和/或轴向症状。由于学习发生在受试者之间,因此患者之间共享的振荡-结果关系被学习得最好。
4.5 局限性
虽然分析的重要性可以揭示新的见解,但应谨慎解释。这种方法通常无法识别因果关系。与DBS结果相关的任何特征可能是通过与其他特征或未观察到的变量的相关性,即对模型重要的特征对大脑不一定重要。这一方面与高频耦合的可能病理生理作用特别相关,这需要进一步研究。
最后,对于MEG-LFP研究,36名患者的样本量很大 (截至本文发表为止最大的样本),但对于机器学习研究来说,样本量并不大。未来的研究应旨在通过促进数据共享来纳入更多数据。
结论和展望
根据丘脑下振荡及其与皮质振荡的同步性来预测DBS结果是可行的。未来的研究可能会调查是否可以利用电生理学和临床改善之间的这种联系来改善导联的放置和/或接触的选择。
参考文献:Neuronal oscillations predict deep brain stimulation outcome in Parkinson's disease
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。