CN109640810B - 调整患者脑中的致癫痫性的方法 - Google Patents

调整患者脑中的致癫痫性的方法 Download PDF

Info

Publication number
CN109640810B
CN109640810B CN201680087779.2A CN201680087779A CN109640810B CN 109640810 B CN109640810 B CN 109640810B CN 201680087779 A CN201680087779 A CN 201680087779A CN 109640810 B CN109640810 B CN 109640810B
Authority
CN
China
Prior art keywords
brain
epileptogenic
virtual
regions
patient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201680087779.2A
Other languages
English (en)
Other versions
CN109640810A (zh
Inventor
V.吉尔萨
C.贝尔纳
F.巴托洛梅
M.古耶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aix Marseille Universite
Centre National de la Recherche Scientifique CNRS
Institut National de la Sante et de la Recherche Medicale INSERM
Assistance Publique Hopitaux de Marseille APHM
Original Assignee
Aix Marseille Universite
Centre National de la Recherche Scientifique CNRS
Institut National de la Sante et de la Recherche Medicale INSERM
Assistance Publique Hopitaux de Marseille APHM
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aix Marseille Universite, Centre National de la Recherche Scientifique CNRS, Institut National de la Sante et de la Recherche Medicale INSERM, Assistance Publique Hopitaux de Marseille APHM filed Critical Aix Marseille Universite
Publication of CN109640810A publication Critical patent/CN109640810A/zh
Application granted granted Critical
Publication of CN109640810B publication Critical patent/CN109640810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Neurology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Robotics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及调整癫痫患者脑中的致癫痫性。根据本发明的方法包括以下步骤：提供虚拟脑；提供致癫痫区和传播区的模型，并在虚拟脑中加载所述模型以创建虚拟癫痫脑；获取癫痫患者的脑的数据；在所述数据中识别至少一个可能的致癫痫区的位置；针对从癫痫患者获取的数据来拟合虚拟癫痫脑，并在虚拟癫痫脑中将所述至少一个可能的致癫痫区参数化为致癫痫区；以及在虚拟癫痫脑内仿真网络调整的效果，该网络调整模拟对患者脑的临床干预。

Description

调整患者脑中的致癫痫性的方法
技术领域
本发明涉及一种调整（modulating）患者脑中的致癫痫性（epileptogenicity）的方法。
背景技术
个性化医疗建议定制医疗保健，其中医疗决策、实践和产品是针对个体患者量身定制的。个体变异性对于对治疗方法的响应性具有明显影响。因此，常常采用诊断测试以用于基于患者的遗传内容或其他分子和细胞分析的情境来选择适当且最佳的疗法。从历史上看，个性化医疗使用大量遗传信息，但在系统层面上发现越来越多的可行性。结构和功能性神经成像发挥了关键作用，并且已经对具体的诊断工具做出了贡献，但这些工具主要限于神经学，诸如癫痫的术前评估或昏迷的鉴别诊断。诸如精神病学之类的其他领域经受缺乏用于常规临床实践的诊断工具的困扰。
该问题的一个解决方案是将神经成像信号的解释与计算脑模型联系起来。到目前为止，建模主要集中在再现脑区域之间的一组功能上有效的联系，但是受到了应用于验证模型的大多数基于连接性的度量的平稳本质的阻碍。事实上，神经科学中最有意义的情况和任务本身呈现为包括静息状态以及认知和运动行为的非平稳过程。这同样也适用于病理行为，癫痫中的发作吸收（recruitment）就是其中的一个示例。
在局部性癫痫中，发作起源于局部网络，即所谓的致癫痫区（EZ），然后才吸收其他脑区域，即所谓的传播区（PZ）。正确地描绘EZ对于成功干预（如例如切除外科手术）至关重要。
因此，存在对以下方面的需要：识别癫痫患者脑中的EZ，并且调整所述患者脑中的致癫痫性，这将允许对所述患者的成功干预。
发明内容
本发明涉及一种调整癫痫患者脑中的致癫痫性的方法，包括以下步骤：提供虚拟脑；提供致癫痫区和传播区的模型，并在虚拟脑中加载所述模型以创建虚拟癫痫脑；获取癫痫患者的脑的数据；在所述数据中识别至少一个可能的致癫痫区的位置；针对从癫痫患者获取的数据来拟合虚拟癫痫脑，并在虚拟癫痫脑中将所述致癫痫区的至少一个可能子集参数化为致癫痫区；以及在虚拟癫痫脑内仿真网络调整的效果，该网络调整模拟对患者脑的临床干预。
优选地，- 虚拟脑是对灵长类的脑的各个区或节点以及所述区或节点之间的连接性进行建模的计算机化平台；- 致癫痫区的模型是描述在所述区中的癫痫放电的开始、时间进程和结束的数学模型；- 致癫痫区的数学模型由描述快速放电、定义放电中的棘慢波（spike-and-wave）事件的状态变量和作为缓慢的电容率变量的变量以及微分方程来定义；- 结构数据包括患者的脑的磁共振成像、扩散加权的磁共振成像、核磁共振成像和/或磁共振断层摄影图像数据；- 该方法还包括在虚拟脑中重建患者的脑的步骤；- 该方法还包括以下步骤：在所获取的患者的脑结构数据中识别异常，以及将所述异常结合到虚拟脑中；- 该方法还包括以下步骤：识别一个或多个可能的传播区以及一个或多个可能的其他区，以及将所述可能的传播区和其他区参数化为虚拟脑中的传播区和其他区；- 对于可能的致癫痫区、传播区和其他区的参数化，使用表征致癫痫性程度的兴奋性参数；- 对于致癫痫区和传播区的致癫痫性程度的识别，针对功能性患者数据拟合兴奋性参数；针对多个可能的致癫痫区、兴奋性参数的分布以及包括切除和刺激的其他网络调整进行多个仿真，从而模拟临床干预的效果。
附图说明
从以下描述和附图中，本发明的其他特征和方面将变得显而易见，其中：
图1表示用于实现根据本发明的方法的虚拟脑网络中的致癫痫性的空间分布图；
图2A和2B分别示出了用于实现根据本发明的方法的为癫痫患者记录的简单和复杂的癫痫发作；
图3A、3B和3C是从根据本发明的方法的癫痫放电仿真提供的分别与左丘脑、左下丘脑和左梭状皮质相关的导航图；
图5A、5B和5C是根据本发明的方法的分别示出以下内容的图像：临床医生对患者脑中的致癫痫区和传播区的预测、虚拟脑中的这些区的第一仿真以及使用先验数据拟合而获得的所述虚拟脑中的这些区域的第二仿真；
图6A和6B是证明根据本发明的方法识别可以允许阻止癫痫发作传播的微创方法的能力的图示。
具体实施方式
本发明涉及通过识别和调整致癫痫区来降低患者脑中的致癫痫性的方法。
癫痫是一组以癫痫发作为特征的神经学疾病。癫痫发作是可以从短暂且几乎不可检测的抖动变化至长时间的剧烈抖动的急性发作。在癫痫中，发作往往会复发，并且没有直接的根本原因。大多数癫痫病例的原因是未知的，尽管有些人是由于脑损伤、脑卒中、脑肿瘤、脑感染和先天缺陷而出现癫痫。已知的基因突变与一小部分病例有直接联系。癫痫发作是脑皮质中的过度和异常的神经细胞活动的结果。癫痫通常可以用脑电图（EEG）来确认。在局部性癫痫中，发作来自于局部区域或网络，称为致癫痫区（EZ）。它们被称为局部性发作。局部性发作可以是无症状的，并且它们向下游脑区域的蔓延经常与临床症状的出现有联系，包括认知损害和意识丧失。尚不了解在发作传播期间是如何吸收脑区域的。颅内深度或立体定位脑电图（SEEG）通常用于描绘针对神经外科手术的耐药患者候选者中的EZ。在临床实践中，使用用颅内电极直接刺激脑区域来定位致癫痫区域并评估其致癫痫性程度。发作吸收的时间延迟也被认为是对癫痫性强度的指示，但仍然存在争议，因为即使在同一患者内也存在较大程度的传播的空间和时间变化。已经通过实验观察到了从致癫痫区向邻近区的发作传播。
根据本发明的第一步骤，提供虚拟脑。
该虚拟脑是对灵长类的脑的各个区或节点以及所述区或节点之间的连接性进行建模的计算机化平台。在Paula Sanz Leon等人于2013年6月11日的题为“The Virtual Brain: a simulator of primate brain network dynamics（虚拟脑：灵长类脑网络动态仿真器）”的出版文献中公开了虚拟脑的一个示例，该文献通过参考文献引用而并入本文。在该文献中，虚拟脑被公开为使用生物学上真实的连接性的全脑网络仿真的神经信息学平台。该仿真环境使得能够实现跨不同脑尺度的神经生理学机制的基于模型的推断，其是生成包括功能性磁共振成像（fMRI）、EEG和脑磁图（MEG）的宏观神经成像信号的基础。它允许通过使用个体实验对象数据来再现和评估脑的个性化配置。
根据本发明的另一步骤，提供致癫痫区（EZ）的模型和从EZ到传播区（PZ）的癫痫放电传播的模型，并将它们加载到虚拟脑中。
致癫痫区的模型是描述在所述区中的癫痫放电的开始、时间进程和结束的数学模型。例如，在Jirsa等人在Brain（脑）2014，137，2210-2230中的题为“On the nature of seizure dynamics（关于发作动态的本质）”的出版文献中公开了这样的模型，该文献通过参考文献引用而并入本文。这个模型被命名为Epileptor。它包括作用于三个不同时间尺度的五个状态变量。在最快的时间尺度上，状态变量x1和y1虑及发作期间的快速放电。在最慢的时间尺度上，电容率状态变量z虑及缓慢过程，诸如细胞外离子浓度变化、能量消耗和组织氧合作用。系统通过变量x1和y1来展现发作期状态下的快速振荡。发作间期和发作期状态之间的自主切换是经由电容率变量z通过分别针对发作开始和结束的鞍结和同宿分叉机制而实现的。该切换伴随有直流（DC）转换，其已在体外和体内进行记录。在中间时间尺度上，状态变量x2和y2描述了在发作期间观察到的棘慢波电图模式，以及当由最快系统经由耦合g(x1)激发时的发作间期和发作前尖峰。该模型的方程式示为如下：
Figure DEST_PATH_IMAGE001
其中
Figure DEST_PATH_IMAGE002
并且x0=-1.6；τ0=2857；τ2=10；I1=3.1；I2=0.45；γ=0.01。参数x0控制组织兴奋性，并且如果x0大于临界值x0C=-2.05，则是自主性地致癫痫引发的发作；否则该组织是健康的。I1和I2是设置模型操作点的无源电流。
传播区的模型与EZ的模型相同，但是其中兴奋性参数低于临界值x0C=-2.05。所有其他脑区域可以由具有远离该阈值的兴奋性值的Epileptor或者如Paula Sanz Leon等人于2013年6月11日公开的等效标准神经群体模型来进行建模，其通过参考文献引用而并入本文。脑区域之间的耦合遵循如Timothée Proix等人在神经科学学报（The Journal ofNeuroscience）2014年11月5日，34（45）：15009-15021中的题为“Permittivity Coupling across Brain Regions Determines Seizure Recruitment in Partial Epilepsy（跨脑区域的电容率耦合决定局部性癫痫中的发作吸收）”的出版文献中公开的数学模型，该文献通过参考文献引用而并入本文。电容率耦合量化了远部区域j的神经元快速放电x1j对区域i的局部慢电容率变量的影响。离子稳态的变化经由线性差异耦合函数而受到局部和远部神经元放电二者的影响，该线性差异耦合函数将从发作间稳定状态的偏差量化为垂直于同步流形的扰动。线性度被证明是同步解周围的泰勒展开的一阶近似。电容率耦合还包括连接组Cij，即缩放因子G，它们都被吸收在
Figure DEST_PATH_IMAGE003
中。从区域j到区域i的电容率耦合示为
Figure DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE005
表示信号传输延迟。
当在虚拟脑中加载致癫痫区（EZ）和传播区（PZ）的模型时，此处忽略信号传输时间延迟，因为不会考虑同步效应，而只考虑癫痫蔓延，这是由电容率耦合的缓慢动态决定的。在数学上，虚拟脑于是对应于以下方程式：
Figure DEST_PATH_IMAGE006
。
根据本发明的另一步骤，获取癫痫患者的脑的结构和功能数据。结构数据例如是使用磁共振成像（MRI）、扩散加权的磁共振成像（DW-MRI）、核磁共振成像（NMRI）或磁共振断层摄影（MRT）获取的患者的脑的图像数据。功能数据例如是通过EEG或SEEG技术获取的患者的脑的脑电图信号。
根据本发明的另一步骤，使用针对所述患者的脑获取的结构数据来在虚拟脑中进行患者的脑的结构重建。
实际上，使用MRI和dMRI的非侵入性结构神经成像允许在虚拟脑的3D物理空间内重建患者的个体脑网络拓扑和连接拓扑。
优选地，将在患者的脑结构数据中识别的结构异常并入虚拟脑中。
实际上，改变了结构网络的拓扑并因此更改了发作吸收的动态特性的异常引起了显著的结构变化。
结构异常例如是恶性或非恶性脑肿瘤，包括错构瘤、脑卒中、脑回肥厚。
它们通常在MRI图像中显示为白色或黑色斑点。
根据本发明的另一步骤，最初在患者的脑的功能数据中识别一个或多个可能的致癫痫区、一个或多个可能的传播区以及一个或多个可能的其他区的位置，以及将对应的区参数化为虚拟脑中的致癫痫区、传播区或其他区。该初始参数设置用作后续数据拟合程序的先验。
实际上，非侵入性功能神经成像向临床专家告知癫痫发作的演变并且允许在EZ的位置上构想假设，即负责癫痫活动的起源和早期组织的脑中的假设区域。PZ包括在发作演变期间吸收的区域，但其本身不是致癫痫的。遵循对EZ的假设，最初在虚拟脑网络模型中设置参数。在实践中，在虚拟脑中定义致癫痫性的空间图，如图1中所示。在该图中，通过兴奋性值x 0 来表征每个节点，兴奋性值x 0 量化了区模型引发发作的能力。对于孤立区，G=0，如果x 0 >x 0C ，则该模型可以自主地引发发作并被称为是致癫痫的。相反，如果x 0 <x 0C，则该模型不会自主地引发发作并且不是致癫痫的。致癫痫性的空间图包括EZ、PZ和所有其他区的兴奋性值。当然，只有EZ中的节点在嵌入虚拟脑时自主放电。
因此进行随后的数据拟合，所述数据拟合的目标是兴奋性参数x0，其使用自动化方法来进行估计。在给定可用功能数据的情况下获得网络模型的参数的这种估计是在贝叶斯框架内执行的，使用精简的Epileptor模型和精简的功能数据集来用于拟合。对SEEG数据进行加窗和傅里叶变换以获得其谱密度随时间的估计。然后将高于10Hz的SEEG功率相加以捕获快速活动的时间变化。在包含发作的时间窗口内将这些时间序列校正至发作前基线、对其进行对数变换并进行线性去趋势。
贝叶斯建模中的隐藏状态表示不能直接观察的生成模型的状态。将无信息先验置于隐藏状态的初始条件下，而它们的演化遵循具有线性加性正态分布噪声的对应的随机微分方程的欧拉-丸山离散化。将无信息先验置于每节点的兴奋性参数x0、观察基线功率、尺度和噪声上。最后，发作的长度也允许自由变化以匹配给定的已记录发作的长度。结构连接性对生成方法中使用的连接性指定了γ先验。该模型使用贝叶斯推理软件来实现，该软件实现了哈密顿蒙特卡罗和用于一般差分概率模型的自动变分推理算法二者。该方法利用变分算法的效率，该变分算法在经由随机梯度上升进行优化的真实后验上构建近似代理分布。
根据本发明的另外的步骤，在模型参数的系统性变化下，在虚拟脑中进行从所述可能的致癫痫区到其他区的癫痫放电传播的仿真。这些参数变化对应于网络调整，其可能对不同脑区域中的发作数量具有反效果，并且因此是非平凡的。这些调整效果的系统性仿真和量化提供了参数空间，其指示虚拟脑中的发作数量和发作传播程度。参数的变化与治疗网络干预有直接联系，尽管该联系并不总是明显的，因为网络参数的变化可能在临床实践中发现不同的现实情况。例如，网络节点模型中的脑区域的兴奋性是关键参数，其在生理上与诸如兴奋和压抑的平衡、局部突触功效、细胞外离子浓度或神经胶质活性等变量有联系。这些变量的改变将导致组织中的兴奋性变化，并因此导致虚拟脑模型预测的期望网络效应。
在实践中，经由仿真、数据拟合和数学分析来评估患者的脑网络模型。它用于通过藉由数据拟合来识别个性化参数集来对个体患者的脑“加指纹”。系统性计算仿真进一步生成勾画发作区和发作自由度的轮廓的参数图。这些图将指导如何调谐模型参数。该评估的结果预测了传播通过患者的脑的最有可能的传播模式，并允许探索对脑的干预策略。
根据本发明的方法改善了外科手术的成果。首先，在非侵入性EEG/MEG和侵入性SEEG探索之后，EZ假设被拟合至所述数据并得到改善。其次，系统性网络调整模拟了临床干预策略，并且可以用于识别新颖的治疗策略。调整包括刺激范例、网络联系的损伤、脑区域的切除以及诸如兴奋性之类的局部脑区域参数的改变。例如，在虚拟脑内测试外科手术策略。到目前为止，传统的外科手术方法基于难以治疗的癫痫从根本上是一种局灶性疾病的教条性概念而在假设的EZ处应用一种局灶性切除或切除术。大的未知数仍然是被设计用于调整大规模癫痫网络的可能切除或热损伤的大小、数量和具体解剖位置。本发明不仅允许参数化地改变切除病灶的大小，而且还允许在不同位置处采用多个损伤，从而充分利用虚拟癫痫脑模型的网络本质。从技术上讲，如今这是可能的：例如，立体定位引导的激光技术通过允许在先前映射的癫痫网络的关键组成中放置多个损伤而准许调整大规模网络。
示例：识别被诊断患有双颞性癫痫的患者的脑中的致癫痫区
最初被诊断患有双颞性癫痫的右撇子41岁女性患者接受了全面的术前评估，包括临床病史、神经学检查、神经心理学测试、结构和扩散MRI扫描、EEG和SEEG记录以及视频监控。基于术前评估，将九个SEEG电极放置在关键区域中。SEEG电极包括10至15个触头。每个触头长2毫米，直径0.8毫米，并且与其他触头相距1.5毫米。使用128通道DeltamedTM系统来记录脑信号（采样率：512Hz，硬件带通滤波：在0.16与97Hz之间）。用西门子™ Magnetom™Verio™ 3T扫描仪来获取结构和扩散MRI。用MPRAGE序列来获取T1加权的图像（TR=1900ms，TE=2.19ms，体素大小=1×1×1mm3，208个切片）。扩散采集使用DTI-MR序列（64个方向的角度梯度组，TR=10.7s，TE=95ms，70个切片，体素大小=2×2×2mm3，b值=1000s/mm2）。
然后进行结构重建。使用SCRIPTS™来重建患者的大规模连接性和皮质表面，SCRIPTS™是为虚拟脑量身定制的处理流水线。根据分割模板将脑分成几个区域，使用该模板用于全脑纤维束成像以开发连接性和延迟矩阵。对皮质和皮质下表面进行重建和下采样，并进行顶点到对应区域标签的映射。对所有处理后的数据进行格式化以便于导入虚拟脑。
MRI检查显示出下丘脑错构瘤。表面EEG记录显示出发作间期尖峰，并且指示了偏向左半球。基于术前评估，七个SEEG电极被植入左半球，并且两个SEEG电极被植入右半球。一个电极植入下丘脑错构瘤中。图2A和2B在左栏中示出了植入方案。在连续两周的SEEG记录中，记录了局限于右海马中的6次简单发作以及始于右海马并然后吸收左海马、左颞叶和下丘脑错构瘤的两次复杂发作。在图2A和2B中示出了代表性的发作传播模式。
这种结构异常被整合到模型中。此处，经由修改下丘脑的局部连接性
Figure DEST_PATH_IMAGE007
来整合下丘脑错构瘤。在MRI扫描中描绘了该错构瘤。它被用作感兴趣的种子区域来重建局部连接性。通过标量因子Ghyp来参数化地扩展局部连接性强度，以在不改变其局部连接拓扑的情况下量化错构瘤的影响。
虚拟脑网络的每个节点都加载有Epileptor模型。各节点经由电容率耦合进行连接，这种耦合作用于缓慢的时间尺度，并通过吸收不在EZ中的区域而允许发作蔓延通过网络。根据临床准则来设置用于EZ、PZ和所有其他区域的兴奋性参数，所述临床标准包括（i）发作中涉及到的区域；（ii）发作时长；（iii）在吸收其他区域之前的时间延迟长度；（iv）每个区域中的发作频率。然后，兴奋性的空间分布在整个网络中是不均匀的，其中EZ中的区域的兴奋性值高（x 0 >x 0C +0.4），PZ中的区域的兴奋性值较小（x 0C +0.4>x 0≥ x 0C ），而其他节点不致癫痫（x 0 <x 0C ）。一旦定义了EZ和PZ，就通过改变以下参数来使用参数空间探索执行系统性网络调整：（i）全局耦合强度G，其是标量因子乘以整个连接性矩阵，（ii）下丘脑的局部耦合强度Ghyp，它是标量因子乘以下丘脑对连接性矩阵的贡献度，（iii）右海马的兴奋性值x0 右海马，（iv）未被吸收在传播区中的区域的兴奋性值x0 其他区域。EZ和PZ中的其他区域的兴奋性值如下表1所示是固定的，其中x 0 =x 0C +Δx0。
区域名称 <i>Δ</i>x<sub>0</sub> 区
右海马 1.3 EZ
左海马 0.4 EZ
左海马 0.4 EZ
右海马 0.4 EZ
脑干 0.31 PZ
左海马旁 0.27 PZ
左丘脑 0.24 PZ
左颞极 0.16 PZ
其他区域 -0.2 其他区域
为了在这样的四维参数空间中描述虚拟脑网络行为，使用用于发作量化的临床准则i）至iv）。图3A至3C示出了这些量化量（quantifier）中的一个——作为四个参数G、Ghyp、x0 右海马和x0 其他区域的函数在固定的仿真时间内的发作中三个不同区域的吸收频率。它们例示了系统性参数空间探索的结果。这些导航图为临床医生提供了制定决策和建立假设的工具。例如，图中显示，对于该特定患者，EZ区域中的兴奋性变化对VEP脑模型中的发作数量具有相当小的影响，而EZ/PZ区域外的兴奋性降低与左丘脑和左下丘脑中的发作减少有联系，并且与左海马旁中的发作减少有较小程度的联系（图3A和3B）。左下丘脑连接性的降低将总是导致左下丘脑中的发作增加，而非左丘脑的发作增加。增加左丘脑中的发作概率的唯一手段是增大全局耦合G的缩放，同时保持高的下丘脑连接性值（图3A）。对于所有上述情境来说，左海马旁显示出相当高的发作数量，但有一个例外，即高的下丘脑连接性和低的全局耦合G的总体强度（图3C）。
相对于临床准则i）至iv）选择一组有代表性的参数（G=10，Ghyp=10，Δx0 右海马=1.3，Δx0 其他区域=-0.2），其对应于图3A至3C中的匹配患者的发作的点。在20次发作时段上仿真虚拟脑网络模型，并计算SEEG电极的正向解。与图2A和2B的真实SEEG记录相比，关于类似的吸收区域产生了简单发作和复杂发作。在图4A和4B中示出了这些发作。
图5A示出了诸如通过临床医生专业知识而估计的EZ和PZ的空间范围。图5B示出了通过经由其距临界值x 0C =-2.05的偏差Δx0来进行例示的
Figure DEST_PATH_IMAGE008
的参数分布表示的兴奋性区的空间范围。图5C示出了通过将模型拟合至SEEG数据而发现的兴奋性分布的比较。在那些图中，EZ以浅色明亮的区来表示。看起来数据拟合允许识别双内颞性（bilateralmesial temporal）EZ，结果与临床解释充分一致。
图6A和6B证明了本发明识别微创方法以根据致癫痫区来阻止发作传播的能力。在图6A中，颜色代码（黑色/白色）指示发作传播（白色）或不发作传播（黑色）。在图6B中，作为致癫痫区的函数来绘制传播区的大小。对于虚拟癫痫脑，少量损伤足以阻止发作传播，如图6A中显现的，多达6个损伤。在5至6个损伤之后，PZ减少到0、1或2个区域。如果虚拟脑的PZ由0到2个区域组成，则网络无法吸收任何其他区域。

Claims (39)

1.一种调整癫痫患者脑中的致癫痫性的装置，包括：
用于提供虚拟脑的部件；
用于提供致癫痫区和传播区的模型并在虚拟脑中加载所述模型以创建虚拟癫痫脑的部件；
用于获取癫痫患者的脑的数据的部件；
用于在所述数据中识别至少一个可能的致癫痫区的位置的部件；
用于针对从癫痫患者获取的数据来拟合虚拟癫痫脑并在虚拟癫痫脑中将所述至少一个可能的致癫痫区参数化为致癫痫区的部件；以及
用于在虚拟癫痫脑内仿真网络调整的效果的部件，该网络调整模拟对患者的脑的临床干预。
2.根据权利要求1所述的装置，其中，虚拟脑是对灵长类的脑的各个区或节点以及所述区或节点之间的连接性进行建模的计算机化平台。
3.根据权利要求1或2中的一项所述的装置，其中，致癫痫区的模型是描述在所述区中的癫痫放电的开始、时间进程和结束的数学模型。
4.根据权利要求3所述的装置，其中，致癫痫区的数学模型由描述快速放电、定义放电中的棘慢波事件的状态变量和作为缓慢的电容率变量的变量以及微分方程来定义。
5.根据前述权利要求中的一项所述的装置，其中，从癫痫患者的脑获取的数据包括所述脑的结构和/或功能数据。
6.根据前述权利要求中的一项所述的装置，其中，从癫痫患者的脑获取的数据包括患者的脑的磁共振成像、扩散加权的磁共振成像、核磁共振成像和/或磁共振断层摄影图像数据。
7.根据前述权利要求中的一项所述的装置，还包括在用于虚拟脑中重建患者的脑的部件。
8.根据前述权利要求中的一项所述的装置，还包括用于在所获取的患者的脑的数据中识别异常以及将所述异常结合到虚拟脑中的部件。
9.根据前述权利要求中的一项所述的装置，还包括用于识别一个或多个可能的传播区以及一个或多个可能的其他区的位置以及将所述可能的传播区和其他区参数化为虚拟脑中的传播区和其他区的部件。
10.根据前述权利要求中的一项所述的装置，其中，对于可能的致癫痫区的参数化，使用表征致癫痫区的兴奋性程度的兴奋性参数。
11.根据权利要求10所述的装置，其中，对于可能的传播区和其他区的参数化，使用表征致癫痫区的兴奋性程度的兴奋性参数。
12.根据权利要求10或11中的一项所述的装置，其中，对于致癫痫区和传播区的程度的识别，针对功能性患者数据拟合兴奋性参数。
13.根据前述权利要求中的一项所述的装置，其中，针对多个可能的致癫痫区进行多个仿真。
14.一种机器可读介质，其上存储有指令，所述指令用于调整癫痫患者脑中的致癫痫性，所述指令在由处理器执行时使得处理器：
提供虚拟脑；
提供致癫痫区和传播区的模型，并在虚拟脑中加载所述模型以创建虚拟癫痫脑；
获取癫痫患者的脑的数据；
在所述数据中识别至少一个可能的致癫痫区的位置；
针对从癫痫患者获取的数据来拟合虚拟癫痫脑，并在虚拟癫痫脑中将所述至少一个可能的致癫痫区参数化为致癫痫区；以及
在虚拟癫痫脑内仿真网络调整的效果，该网络调整模拟对患者的脑的临床干预。
15.根据权利要求14所述的机器可读介质，其中，虚拟脑是对灵长类的脑的各个区或节点以及所述区或节点之间的连接性进行建模的计算机化平台。
16.根据权利要求14或15中的一项所述的机器可读介质，其中，致癫痫区的模型是描述在所述区中的癫痫放电的开始、时间进程和结束的数学模型。
17.根据权利要求16所述的机器可读介质，其中，致癫痫区的数学模型由描述快速放电、定义放电中的棘慢波事件的状态变量和作为缓慢的电容率变量的变量以及微分方程来定义。
18.根据前述权利要求中的一项所述的机器可读介质，其中，从癫痫患者的脑获取的数据包括所述脑的结构和/或功能数据。
19.根据前述权利要求中的一项所述的机器可读介质，其中，从癫痫患者的脑获取的数据包括患者的脑的磁共振成像、扩散加权的磁共振成像、核磁共振成像和/或磁共振断层摄影图像数据。
20.根据前述权利要求中的一项所述的机器可读介质，还包括指令，所述指令在由处理器执行时使得处理器在虚拟脑中重建患者的脑。
21.根据前述权利要求中的一项所述的机器可读介质，还包括指令，所述指令在由处理器执行时使得处理器：在所获取的患者的脑的数据中识别异常，以及将所述异常结合到虚拟脑中。
22.根据前述权利要求中的一项所述的机器可读介质，还包括指令，所述指令在由处理器执行时使得处理器：识别一个或多个可能的传播区以及一个或多个可能的其他区的位置，以及将所述可能的传播区和其他区参数化为虚拟脑中的传播区和其他区。
23.根据前述权利要求中的一项所述的机器可读介质，其中，对于可能的致癫痫区的参数化，使用表征致癫痫区的兴奋性程度的兴奋性参数。
24.根据权利要求23所述的机器可读介质，其中，对于可能的传播区和其他区的参数化，使用表征致癫痫区的兴奋性程度的兴奋性参数。
25.根据权利要求23或24中的一项所述的机器可读介质，其中，对于致癫痫区和传播区的程度的识别，针对功能性患者数据拟合兴奋性参数。
26.根据前述权利要求中的一项所述的机器可读介质，其中，针对多个可能的致癫痫区进行多个仿真。
27.一种调整癫痫患者脑中的致癫痫性的计算机化平台，包括：
用于提供虚拟脑的部件；
用于提供致癫痫区和传播区的模型并在虚拟脑中加载所述模型以创建虚拟癫痫脑的部件；
用于获取癫痫患者的脑的数据的部件；
用于在所述数据中识别至少一个可能的致癫痫区的位置的部件；
用于针对从癫痫患者获取的数据来拟合虚拟癫痫脑并在虚拟癫痫脑中将所述至少一个可能的致癫痫区参数化为致癫痫区的部件；以及
用于在虚拟癫痫脑内仿真网络调整的效果的部件，该网络调整模拟对患者的脑的临床干预。
28.根据权利要求27所述的计算机化平台，其中，虚拟脑是对灵长类的脑的各个区或节点以及所述区或节点之间的连接性进行建模的计算机化平台。
29.根据权利要求27或28中的一项所述的计算机化平台，其中，致癫痫区的模型是描述在所述区中的癫痫放电的开始、时间进程和结束的数学模型。
30.根据权利要求29所述的计算机化平台，其中，致癫痫区的数学模型由描述快速放电、定义放电中的棘慢波事件的状态变量和作为缓慢的电容率变量的变量以及微分方程来定义。
31.根据前述权利要求中的一项所述的计算机化平台，其中，从癫痫患者的脑获取的数据包括所述脑的结构和/或功能数据。
32.根据前述权利要求中的一项所述的计算机化平台，其中，从癫痫患者的脑获取的数据包括患者的脑的磁共振成像、扩散加权的磁共振成像、核磁共振成像和/或磁共振断层摄影图像数据。
33.根据前述权利要求中的一项所述的计算机化平台，还包括用于在虚拟脑中重建患者的脑的部件。
34.根据前述权利要求中的一项所述的计算机化平台，还包括用于在所获取的患者的脑的数据中识别异常以及将所述异常结合到虚拟脑中的部件。
35.根据前述权利要求中的一项所述的计算机化平台，还包括用于识别一个或多个可能的传播区以及一个或多个可能的其他区的位置以及将所述可能的传播区和其他区参数化为虚拟脑中的传播区和其他区的部件。
36.根据前述权利要求中的一项所述的计算机化平台，其中，对于可能的致癫痫区的参数化，使用表征致癫痫区的兴奋性程度的兴奋性参数。
37.根据权利要求36所述的计算机化平台，其中，对于可能的传播区和其他区的参数化，使用表征致癫痫区的兴奋性程度的兴奋性参数。
38.根据权利要求36或37中的一项所述的计算机化平台，其中，对于致癫痫区和传播区的程度的识别，针对功能性患者数据拟合兴奋性参数。
39.根据前述权利要求中的一项所述的计算机化平台，其中，针对多个可能的致癫痫区进行多个仿真。
CN201680087779.2A 2016-07-18 2016-07-18 调整患者脑中的致癫痫性的方法 Active CN109640810B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IB2016/001164 WO2018015778A1 (en) 2016-07-18 2016-07-18 A method of modulating epileptogenicity in a patient's brain

Publications (2)

Publication Number Publication Date
CN109640810A CN109640810A (zh) 2019-04-16
CN109640810B true CN109640810B (zh) 2022-12-06

Family

ID=56894008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680087779.2A Active CN109640810B (zh) 2016-07-18 2016-07-18 调整患者脑中的致癫痫性的方法

Country Status (7)

Country Link
US (2) US11191476B2 (zh)
EP (1) EP3484355B1 (zh)
JP (1) JP7132555B2 (zh)
CN (1) CN109640810B (zh)
CA (1) CA3030238A1 (zh)
ES (1) ES2919141T3 (zh)
WO (1) WO2018015778A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102017796B1 (ko) 2016-07-28 2019-09-03 주식회사 큐어바이오 신규한 aimp1 단백질의 단편과 이를 유효성분으로 포함하는 발모 촉진용 조성물
US11062450B2 (en) 2016-09-13 2021-07-13 Ohio State Innovation Foundation Systems and methods for modeling neural architecture
US11266355B2 (en) * 2017-05-19 2022-03-08 Cerner Innovation, Inc. Early warning system and method for predicting patient deterioration
CN109528197B (zh) * 2018-11-20 2022-07-08 中国科学院脑科学与智能技术卓越创新中心 基于脑功能图谱进行精神疾病的个体化预测方法和系统
JP6973430B2 (ja) * 2019-02-22 2021-11-24 株式会社豊田中央研究所 情報処理装置、情報処理装置に知的行動を模擬させる方法、コンピュータプログラム、及び、それを記憶した記憶媒体
EP3745415A1 (en) * 2019-05-27 2020-12-02 Universite d'Aix-Marseille (AMU) Method of identifying a surgically operable target zone in an epileptic patient's brain
EP3770918A1 (en) 2019-07-22 2021-01-27 Universite d'Aix-Marseille (AMU) Method for determining an onset time and an excitability of a brain region
EP3855453A1 (en) * 2020-01-24 2021-07-28 Universite d'Aix-Marseille (AMU) A method of optimizing an intracranial implantation scheme of a set of electroencephalographic electrodes
BR112022019823A2 (pt) * 2020-04-03 2022-11-22 Univ Daix Marseille Amu Método para inferir a epileptogenicidade de uma região cerebral
CN111772585B (zh) * 2020-07-13 2021-06-04 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN112690775B (zh) * 2020-12-24 2022-04-29 华中师范大学 一种基于贝叶斯的儿童脑活动异常病灶区成像系统
CN113100780B (zh) * 2021-03-04 2022-07-26 北京大学 同步脑电-功能磁共振数据的自动化处理方法
EP4184526A1 (en) 2021-11-23 2023-05-24 Université d'Aix Marseille A method of simulating a brain neural field
EP4449977A1 (en) * 2023-04-20 2024-10-23 Université d'Aix Marseille Method for inferring a change in a whole-brain network and system

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012151453A2 (en) 2011-05-04 2012-11-08 The Regents Of The University Of California Seizure detection and epileptogenic lesion localization
JP2014522283A (ja) 2011-06-09 2014-09-04 ウェイク・フォレスト・ユニヴァーシティ・ヘルス・サイエンシズ エージェントベース脳モデル及び関連方法
GB201209975D0 (en) * 2012-06-06 2012-07-18 Univ Exeter Assessing susceptibility to epilepsy and epileptic seizures
CN104112066B (zh) * 2014-08-18 2017-02-22 天津大学 基于fpga的癫痫状态闭环控制实验平台
TWI566746B (zh) * 2014-12-30 2017-01-21 義守大學 基於腦波建立預測模型的電子裝置
US20180279939A1 (en) 2015-06-09 2018-10-04 The Children's Medical Center Corporation Method and system for locating seizure focus from interictal data
GB2541427A (en) 2015-08-19 2017-02-22 Univ Exeter Computer-implemented apparatus and method for predicting performance of surgical strategies
EP3235427A1 (en) 2016-04-21 2017-10-25 CodeBox Computerdienste GmbH Method and system for estimating a location of an epileptogenic zone of a mammalian brain

Also Published As

Publication number Publication date
WO2018015778A1 (en) 2018-01-25
US20220039736A1 (en) 2022-02-10
EP3484355A1 (en) 2019-05-22
JP2019527105A (ja) 2019-09-26
JP7132555B2 (ja) 2022-09-07
CA3030238A1 (en) 2018-01-25
US11191476B2 (en) 2021-12-07
CN109640810A (zh) 2019-04-16
ES2919141T3 (es) 2022-07-22
US20190254585A1 (en) 2019-08-22
EP3484355B1 (en) 2022-03-23

Similar Documents

Publication Publication Date Title
CN109640810B (zh) 调整患者脑中的致癫痫性的方法
Jirsa et al. The virtual epileptic patient: individualized whole-brain models of epilepsy spread
Rossini et al. Methods for analysis of brain connectivity: An IFCN-sponsored review
Proix et al. Individual brain structure and modelling predict seizure propagation
Violante et al. Non-invasive temporal interference electrical stimulation of the human hippocampus
Stacey et al. Emerging roles of network analysis for epilepsy
Phillips et al. Convergent evidence for hierarchical prediction networks from human electrocorticography and magnetoencephalography
Rahnev et al. Continuous theta burst transcranial magnetic stimulation reduces resting state connectivity between visual areas
US12016634B2 (en) Methods and apparatus for electromagnetic source imaging using deep neural networks
EP3445239B1 (en) Method and system for estimating a location of an epileptogenic zone of a mammalian brain
CN113180693A (zh) 静息态脑电rTMS疗效预测及干预闭环反馈诊疗方法
Euler et al. Working memory performance inversely predicts spontaneous delta and theta-band scaling relations
Kaur et al. Microstates-based resting frontal alpha asymmetry approach for understanding affect and approach/withdrawal behavior
An et al. High-resolution virtual brain modeling personalizes deep brain stimulation for treatment-resistant depression: Spatiotemporal response characteristics following stimulation of neural fiber pathways
Guo et al. Single‐trial EEG‐informed fMRI analysis of emotional decision problems in hot executive function
CN114981900A (zh) 优化一组脑电图电极的颅内植入方案的方法
CN115363523A (zh) 一种癫痫发作区定位系统、设备及介质
CA3134871A1 (en) Method of identifying a surgically operable target zone in an epileptic patient&#39;s brain
EP4364646A1 (en) Migraine management using functional brain imaging
Proix et al. Individual structural connectivity defines propagation networks in partial epilepsy
Cao et al. State-specific modulation of mood using intracranial electrical stimulation of the orbitofrontal cortex
Moradi EMD-Based EEG and fMRI Data Analysis and Integration for High Precision Brain Functional Imaging
Nashed et al. Changes in cortical manifold structure following stroke and its relation to behavioral recovery in the male macaque
Numssen Identification of causal structure-function relationships in the human motor cortex with non-invasive brain stimulation
WO2024006939A2 (en) Systems and methods to characterize individual response to brain perturbation in patients with alzheimer&#39;s disease

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant