摘要
目的： 通过应用影像组学的方法，对颞叶癫痫(temporal lobe epilepsy,TLE)及颞叶癫痫附加征(temporal plus epilepsy,TPE)患者的核磁影像进行影像组学特征提取与机器学习，建立疾病的鉴别模型，探索利用无创性的方法鉴别颞叶癫痫与颞叶癫痫附加征的可行性。以便在术前评估阶段发现潜在的颞叶癫痫附加征患者，从而制定更加合理的手术方案，使更多的癫痫患者因此而获益。 方法： 回顾性分析2019年1月至2021年1月期间TLE与TPE患者的影像资料，对患者的三维磁化预处理快速采集梯度回波(3D magnetization-prepared rapid gradient-echo,MPRAGE)序列影像进行了影像组学特征提取。利用方差分析、克鲁斯卡尔-沃利斯检验、递归特征消除法以及过滤式特征选择法四种方法进行特征降维，同时使用十种机器学习分类器(支持向量机、自编码器、线性判别分析、随机森林、逻辑回归、最小绝对收缩和选择算子、自适应增强、决策树、高斯过程、朴素贝叶斯)进行机器学习。特征降维方式与机器学习分类器两两组合，共构建四十种疾病鉴别模型，使用操作者特征接收曲线、曲线下面积、准确率、敏感度、特异度、阴性预测值以及阳性预测值评价模型效果。 结果： 共82名患者纳入本研究，包括47名TLE患者与35名TPE患者，以7∶3的比例将患者随机分为训练集与验证集人群，各组患者在年龄、性别以及患病侧别等方面不存在统计学差异。在建立的四十种机器学习模型中，使用过滤式特征选择法进行特征降维结合逻辑回归分类的方法建立的鉴别模型效果最佳，准确率为0.875，曲线下面积为0.779,敏感度、特异度、阴性预测值、阳性预测值分别为 0.800、0.929、0.889、0.867。 结论： 利用无创性的影像组学方法鉴别颞叶癫痫与颞叶癫痫附加征是可行的，利用过滤式特征选择法对患者MPRAGE影像序列中提取的影像组学特征进行特征降维，并结合逻辑回归机器学习分类构建的鉴别模型能够取得最高的准确性与模型表现，可设计前瞻性多中心大样本研究，结合脑电资料以及多模态影像以进一步明确影像组学在颞叶癫痫附加征中的价值。
NETL