本篇文献发表在Epilepsia杂志。本公众号所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。

1. 引言

定位具有临床意义的致痫区域和网络仍然是癫痫评估中的核心挑战。同步脑电图-功能磁共振成像（EEG-fMRI）通过将发作间期癫痫样放电与血氧水平依赖（BOLD）响应联系起来，并结合了脑电图（EEG）的时间敏感性与功能磁共振成像（fMRI）的空间覆盖范围，提供了一种强大的无创方法。EEG-fMRI已在多种癫痫背景下显示出转化潜力，包括MRI阴性的局灶性皮质发育不良、难治性癫痫和儿童癫痫综合征。然而，其实际应用受限于技术复杂性、血液动力学反应的变异性，以及根本上依赖于在扫描期间捕获足够数量的放电。最近的证据进一步表明，只有约35%的患者能从EEG-fMRI中获得有临床意义的定位信息，这限制了其在常规工作流程中的敏感性和可行性。

静息态功能磁共振成像（rs-fMRI）提供了一种更易获取的替代方案。它不需要额外的设备，可以作为标准临床影像检查的一部分进行采集。越来越多的文献表明，rs-fMRI指标可以揭示癫痫相关的异常，并可能为术前规划提供信息。已报道的标志物涵盖局部振幅测量（例如，低频振幅ALFF/分数低频振幅fALFF）、局部一致性（ReHo）、基于图论的中心性/连接性测量（例如，度中心性DC、功能连接密度FCD）以及有向/时间测量（例如，格兰杰因果密度GCD和静息态滞后分析）。这些研究共同支持了癫痫反映在可于静息态测量的分布式功能改变中。

尽管有这些证据，大多数rs-fMRI方法仍然是单变量的，一次依赖一个（或少数几个）指标，并且常常产生空间上不完整或不一致的定位。即使在同一个综合征内，不同的rs-fMRI指标可能凸显出部分重叠但不完全相同的模式，反映了BOLD衍生指标的噪声和相互依赖性质。这一限制给个体水平的推断带来了实际障碍：对于特定患者或扫描，通常不清楚哪个指标最能定位临床相关的癫痫活动。一个互补的策略是整合多个rs-fMRI特征，利用这样一个理念：当在原则性的多变量框架中组合时，各个指标中微小且有噪声的效应可以被减小。

此研究测试了一种模板引导的多变量方法，应用于两种最常见的儿童癫痫综合征：伴中央颞区棘波的自限性癫痫（SeLECTS，或罗兰迪克癫痫）和儿童失神癫痫（CAE），它们分别代表了常见的局灶性和全身性儿童癫痫。这两种综合征都具有特征性的电生理学特征（SeLECTS中的中央颞区棘波；CAE中的3 Hz广泛性棘慢波放电），这使得能够使用EEG-fMRI稳健地估计具有综合征特异性的癫痫激活模式，并且关键地是，允许评估基于rs-fMRI的在有放电和无放电扫描中的检测效果。

此研究提出了一个偏最小二乘（PLS）回归框架，该框架整合了一套广泛的rs-fMRI指标，以推导出一个单一的潜在成分（PLS1），该成分能与具有综合征特异性的EEG-fMRI癫痫激活模板产生最大程度的协变。具体来说，此研究针对每个rs-fMRI指标，相对于典型发育对照（TDC）计算了个体扫描的异常图，然后使用PLS来识别这些异常的最佳加权组合，以最有效地表达EEG-fMRI定义的癫痫活动模式。此研究沿着三个临床相关的轴评估了此方法：（1）相对于EEG-fMRI模板的空间对应性和定位准确性，（2）在无放电扫描中对分级癫痫活动的敏感性，以及（3）用于癫痫综合征和患者-对照状态分类的诊断效用。

2. 方法

2.1 参与者

招募了来自金陵医院的60名SeLECTS患儿（36名男孩，24名女孩，年龄（9.13±2.10岁）和30名CAE患儿（13名男孩，17名女孩，年龄（9.75±3.48岁）。所有患者均由两位在儿童癫痫方面具有丰富经验的认证神经学家（Y.H.和F.Y.）根据国际抗癫痫联盟（ILAE）的诊断标准独立诊断。排除标准为：（1）年龄小于5岁或大于18岁，以及（2）常规磁共振成像（MRI）上存在结构异常。此外，从一所当地小学招募了108名TDC（62名男孩，48名女孩；平均年龄（9.42±2.48岁）作为对照。对照参与者均无神经或精神疾病史，且在入组时未服用任何药物。

此项研究得到了南京大学医学院金陵医院医学伦理委员会的批准，并获得了每位参与儿童监护人的书面知情同意书。

2.2 数据采集

所有患者在西门子3T TimTrio磁共振扫描仪（德国埃朗根）上，使用32通道磁共振兼容脑电图（德国慕尼黑，Brain Product，采样率（5kHz）进行了同步EEG-fMRI数据采集。每位患者接受了2-3次功能磁共振扫描，重复时间（TR）为2秒，每次扫描包含500个时间点，同时采集了高分辨率结构磁共振成像数据。对于TDC组，仅采集了250个时间点的rs-fMRI数据。

为确保组间的可比性并增加可分析的观测数量，功能磁共振成像数据被分割为一个或多个包含250个连续时间点的扫描，使得每次扫描可以根据同步脑电图记录被分类为有放电或无放电。

此研究排除了T1w图像质量差以及功能磁共振扫描头部运动过大的参与者（参与者层面：4名SeLECTS，3名CAE，和8名TDC）。磁共振成像序列细节和图像数据质量控制详见支撑信息图S1。

2.3 数据处理

使用Brain Vision Analyzer 2.0（德国慕尼黑，Brain Products）离线处理脑电图数据，以去除梯度伪影和心电伪影。由一位经验丰富的脑电图医师和一位癫痫专家在伪影校正后的脑电图上识别发作间期癫痫样放电。

在患者中，45名SeLECTS患儿在EEG-fMRI采集期间表现出至少一次中央颞区棘波（CTS），18名CAE患儿表现出至少一次3-Hz广泛性棘慢波放电（GSWD）。根据每次fMRI扫描内是否存在癫痫样放电，将患者数据进一步分为有放电和无放电扫描。具体来说，SeLECTS扫描被分为SeLECTS-有CTS（117次扫描）和SeLECTS-无CTS（65次扫描），而CAE扫描被分为CAE-有GSWD（44次扫描）和CAE-无GSWD（43次扫描）。

2.3.1 功能磁共振成像预处理

使用基于统计参数映射（SPM 12）的DPARSF工具箱（DPARSF V2.3）对功能磁共振成像数据进行预处理。

预处理步骤包括：（1）丢弃前10个时间点以使信号达到平衡；（2）层间时间校正；（3）头部运动校正；（4）与相应的3DT1加权解剖图像进行配准，然后使用12参数仿射变换进行空间标准化至蒙特利尔神经学研究所（MNI）152模板，并重采样至(3×3×3) 的分辨率；（5）使用半高全宽（FWHM）为(8mm) 的各向同性高斯核进行空间平滑；（6）进行噪声回归以去除头部运动参数、白质信号和脑脊液信号的影响。

为了表征BOLD波动的频率依赖性特性，数据不仅在传统的频率范围（0.01-10 Hz）内进行了带通滤波，还被细分为四个额外的窄频带：0.01-0.027 Hz、0.027-0.073 Hz、0.073-0.198 Hz和0.198-0.25 Hz。连同传统频带，这五个频率范围被用于计算特定频率的静息态功能磁共振成像指标，从而允许在多个时间尺度上更详细地表征BOLD信号波动。

2.3.2 脑电图-功能磁共振成像分析

与CTS或GSWD相关的癫痫活动相关fMRI激活使用在SPM12中实现的广义线性模型进行评估。每个CTS或GSWD被建模为一个事件，并与典型的血液动力学响应函数进行卷积。头部运动校正参数作为噪声协变量包括在内。

对于每个癫痫综合征，使用应用于个体CTS或GSWD相关对比图的第二层随机效应分析（单样本t检验）生成了组水平癫痫激活图（图1B）。此分析识别了在组水平上显示与癫痫放电相关的显著BOLD信号变化的脑区。

2.3.3 静息态功能磁共振成像分析

为了全面评估静息态功能磁共振成像定位癫痫活动的能力，计算了一套广泛的区域性rs-fMRI指标。这些指标包括低频振幅（ALFF）、分数低频振幅（fALFF）、局部一致性（ReHo）、赫斯特指数（Hurst）、度中心性（DC），以及长程和短程功能连接密度（FCD）。为了捕捉存在于不同时间尺度的生理信息，所有适用的指标还在此研究描述的四个窄频带内进行了计算。

此外，还计算了大脑活动的有向和时间测量指标，包括格兰杰因果密度（GCD）、静息态滞后分析（RSLA）和血液动力学响应函数（HRF）相关参数。还推导了基于去卷积HRF的ALFF、fALFF和DC测量值。

所有rs-fMRI参数的定义和计算详见图S1。每次扫描共获得42个rs-fMRI参数。在后续分析之前，使用阈值为0.2灰度概率掩膜对所有参数图进行了掩膜处理。

2.4 使用多变量rs-fMRI检测癫痫活动

2.4.1 rs-fMRI指标的个体异常图

为了量化扫描水平的rs-fMRI指标异常，通过将每次扫描与由TDC组定义的规范分布进行对比，使用SPM12生成体素水平的异常图（图1A）。对于癫痫扫描，通过将该次扫描与整个TDC组进行对比来计算每个图。对于TDC扫描，采用留一法，即每次对照扫描与剩余的TDC扫描进行对比。生成的图代表了体素水平的t统计量，其中每个体素值反映了该次扫描相对于TDC组定义的规范分布的标准差。

2.4.2 使用偏最小二乘回归多变量合成癫痫活动

为了整合多个静息态功能磁共振成像（rs-fMRI）指标的信息并推导出一个癫痫活动的复合标志物，使用偏最小二乘回归对扫描水平rs-fMRI异常图（每次扫描42个指标；图1A）与从EEG-fMRI导出的具有综合征特异性的癫痫激活模式（图1B）之间的关系进行建模。PLS模型的第一个潜在成分（PLS1）被定义为rs-fMRI指标的加权线性组合，该组合能最大化与癫痫激活模式的协方差，并保留相应的特征权重以量化每个指标的相对贡献。

由于癫痫激活模式在不同癫痫综合征之间有所不同，分别使用来自 SeLECTS 和 CAE 的组水平癫痫激活图构建了单独的 PLS 模型。对于每个特定综合征的模型，使用相应的模板计算所有扫描（包括癫痫和 TDC 扫描）的 PLS1 表示。因此，每次扫描由两个特定综合征的 PLS1 表示来表征，这些表示被解释为癫痫活动的复合性、扫描水平指标。

2.5 癫痫活动检测的评估

癫痫活动在不同记录扫描间表现出显著的个体内变异性，此研究的主要目标是评估扫描水平的癫痫活动检测，而非综合征间的组间差异。因此，在后续分析中，每次扫描被视作一个独立的观测单元。

2.5.1 癫痫活动模式的空间相似性

此研究在个体和组水平上对PLS1与组癫痫激活图进行了空间相关性分析。基于PLS1图的球面旋转（5000次）的旋转置换检验被用来检验以下假设：PLS1解释的组癫痫激活图与rs-fMRI指标之间的协方差超过了偶然预期的程度。

2.5.2 癫痫活动的定位能力

癫痫活动的定位能力使用Dice相似系数进行量化，该系数衡量了个体扫描图与从EEG-fMRI导出的相应组癫痫激活图之间的空间重叠。Dice系数是在个体PLS1图与组癫痫激活图之间计算的。

Dice系数需要二值输入。因此，PLS1的激活图和失活图以及组水平癫痫激活图都经过阈值处理，取体素值的前5%来生成二值图像。相同的程序应用于具有代表性的传统rs-fMRI指标（包括ALFF、ReHo、DC、Hurst指数、GCD（以GCD流入-流出表示）和HRF（以HRF高度表示））的个体异常图。此外，还计算了个体EEG-fMRI激活图的Dice系数以进行比较。

进行单因素方差分析（ANOVA），然后进行事后比较（Dunnett校正后p< 0.05），以比较不同影像指标之间的Dice系数。

2.5.3 无放电扫描中的定位能力

为了评估影像指标是否能在无明显发作间期放电的情况下检测到潜在的癫痫异常，此研究检查了无放电静息态扫描中的定位性能。

首先，使用双样本t检验在有放电扫描与TDC扫描之间，以及无放电扫描与TDC扫描之间，比较了源自PLS1和传统rs-fMRI指标的体素级个体异常图（p< 0.05，未校正）。

接下来，进行了基于感兴趣区（ROI）的分析，以量化特定综合征癫痫区域内的癫痫活动。从预定义的癫痫ROI内的PLS1和rs-fMRI指标中提取个体异常值。对于CAE，癫痫ROI被定义为CAE组癫痫激活图中识别出的显著丘脑区域。对于SeLECTS，癫痫ROI被定义为SeLECTS组癫痫激活图中识别出的显著感觉运动（罗兰迪克）皮质区域。进行单因素方差分析，然后进行事后比较（校正后p< 0.05），以比较有放电扫描、无放电扫描和TDC扫描。

2.5.4 癫痫综合征和患者-对照状态的多变量分类

为了评估PLS1的诊断效用，在扫描水平上进行了多变量分类分析。使用自动解剖标记（AAL）图谱从PLS1的个体扫描异常图中提取特征，或者为了比较，从个体EEG-fMRI激活图中提取特征，每次扫描产生90个区域特征。

构建了两个具有不同扫描纳入标准的分类任务。首先，对于CAE和SeLECTS之间的鉴别诊断，仅纳入在EEG-fMRI采集期间包含发作间期癫痫样放电的癫痫扫描。在此任务中，基于PLS1的分类性能与基于EEG-fMRI激活图的分类性能进行了直接比较。其次，对于癫痫与TDC的区分，纳入了所有可用的扫描，无论是否存在癫痫放电。在此任务中，仅使用源自PLS1的特征进行分类，因为EEG-fMRI激活图对于无放电或对照扫描是没有定义的。

分类分析使用受试者分层的嵌套交叉验证框架进行。同一参与者的所有扫描被分配到同一个折中，使得训练集和测试集在受试者层面是独立的。分类模型使用带有五折交叉验证的弹性网络逻辑回归进行训练。该模型结合了L1和L2惩罚项，既能实现嵌入式特征选择，又能稳定系数。模型性能使用准确率、敏感性、特异性和受试者工作特征（ROC）曲线下面积（AUC）进行评估。

3. 结果

3.1 人口学和临床特征

共纳入182次SeLECTS扫描（56名参与者）、87次CAE扫描（27名参与者）和100名TDC进行统计分析。所有参与者的人口学和临床数据详情见表1。

3.2 癫痫活动检测的空间模式

PLS1显示出与从EEG-fMRI导出的具有综合征特异性的癫痫激活模式很强的空间对应性。具体来说，CAE的平均PLS1图与CAE组癫痫激活图显示出稳健的空间相关性（r= 0.68, p_spin<0.001），对于SeLECTS也观察到了同样强的对应性（r=0.68, p_spin<0.001)，图1）。

在CAE中，PLS1空间模式的特点是丘脑和双侧感觉运动皮质的显著激活，这与构成失神发作基础的典型丘脑皮质网络一致。相比之下，SeLECTS中的PLS1主要定位于罗兰迪克区，反映了中央颞区癫痫活动的局灶性皮质特性。在两种综合征中，均在默认模式网络内持续观察到失活。

对PLS1特征权重的分析进一步揭示了rs-fMRI指标在综合征特异性上的贡献。在CAE中，PLS1主要受振幅和连接性相关测量（特别是FCD和ALFF）的驱动。在SeLECTS中，GCD相关指标对PLS1的贡献更大，表明在局灶性癫痫网络中有向功能相互作用的参与程度更高（图1）。

3.3 癫痫活动的定位能力

PLS1的平均个体扫描异常图在综合征特异性癫痫区域内显示出局灶性激活，在CAE中最突出的是丘脑，在SeLECTS中是罗兰迪克皮质。相比之下，传统的rs-fMRI指标能够在不同程度上检测到相关区域内的活动，但通常显示出广泛、非特异性的异常，或在致痫区内局灶性激活不足。

使用Dice相似系数的定量评估证实了PLS1优越的定位性能。在CAE扫描中，PLS1的Dice系数显著高于所有传统rs-fMRI指标，尽管仍低于从个体EEG-fMRI激活图获得的系数。在SeLECTS扫描中，PLS1的Dice系数显著高于大多数rs-fMRI指标，包括ReHo、DC、Hurst指数、GCD和HRF相关测量，并且与个体EEG-fMRI没有显著差异。

展示了CAE和SeLECTS中Dice系数最高的代表性扫描，进一步说明了PLS1在个体扫描水平上准确定位癫痫活动的优势（图2）。

3.4 无放电扫描中的定位能力

一个有效的癫痫活动测量指标应该对无放电静息态扫描期间的微弱、潜在异常敏感，同时在放电期间表现出更强的表达。PLS1满足了这一标准，在放电、无放电和对照扫描中展示了分级性的、综合征特异性的激活。

在全脑水平上，与TDC扫描相比，有放电扫描的PLS1图在典型的癫痫区域内显示出显著更高的激活，CAE中丘脑最为突出，SeLECTS中是罗兰迪克区。值得注意的是，在无放电扫描中也能检测到这些相同的区域，尽管空间范围和统计强度有所降低。

基于感兴趣区的分析进一步揭示了PLS1唯一捕获的清晰的癫痫活动阶梯式模式。在CAE中，丘脑PLS1值显示出显著的单调递减（有放电扫描 > 无放电扫描 > TDC扫描；F = 17.67, p<0.001）。事后比较证实了有放电与无放电扫描之间（校正后p =0.041），以及无放电扫描与TDC扫描之间（校正后p =0.011）的显著差异。

在SeLECTS的罗兰迪克区观察到了类似的阶梯式趋势（F = 11.95,p<0.001），在有放电与无放电扫描之间（校正后p =0.045）以及无放电扫描与TDC扫描之间（校正后p =0.048）存在显著差异。相比之下，在任一癫痫综合征中，传统的rs-fMRI指标均未显示出这种跨条件的分级模式（图3）。为了进一步考虑来自同一受试者的多次扫描的潜在影响，此研究进行了混合效应模型分析作为PLS1结果的敏感性检验，在CAE（F = 6.75, p =0.002）和SeLECTS（F = 7.75,  p <0.001）中均观察到了显著的阶梯式趋势。

3.5 分类能力

基于PLS1的分类在区分癫痫综合征以及区分癫痫与对照扫描方面表现出强大的性能。在鉴别诊断任务中，PLS1准确地区分了CAE和SeLECTS扫描，AUC为0.79，其表现与基于EEG-fMRI的分类器（AUC = 0.77）相当。

特征权重分析揭示了跨模型一致的综合征特异性模式。在基于PLS1和基于EEG-fMRI的分类器中，丘脑区域对CAE的权重最高。这种趋同性表明，丘脑激活增加是区分这两种综合征的主要判别特征，这与失神癫痫中明确的丘脑皮质参与相一致。

在癫痫-对照分类中，PLS1也显示出不同综合征间的不同效能。PLS1区分SeLECTS扫描与TDC扫描的AUC为0.67，区分CAE扫描与TDC扫描的AUC为0.74。在SeLECTS与TDC的任务中，中央后回和罗兰迪克岛盖对分类贡献最大，对应于典型的罗兰迪克致痫区；而在CAE与TDC的任务中，丘脑区域显示出最高的特征权重。

总之，这些结果表明，PLS1捕获了具有综合征特异性和临床相关性的癫痫活动模式，这些模式支持癫痫综合征之间的鉴别诊断以及癫痫与TDC的区分（图4）。

4 讨论

此研究引入了一个新颖的PLS回归框架，该框架整合了rs-fMRI指标来检测和定位常见儿童癫痫综合征中的癫痫活动。第一个潜在成分（PLS1）成功识别了具有综合征特异性的致痫区——SeLECTS中的罗兰迪克皮质和CAE中的丘脑——展示了对癫痫网络的解剖学精确定位。即使在无发作间期放电的静息态期间，PLS1激活在这些区域仍然很明显（尽管有所减弱），这表明它捕获了一种潜在的致痫状态，而不仅仅是瞬时的棘波相关事件。此外，PLS1在与脑电图（EEG）定义的癫痫灶的共定位方面优于大多数传统的rs-fMRI指标（产生更高的Dice相似性），同时实现了与金标准EEG-fMRI图相当的空间一致性。这个综合指标区分SeLECTS和CAE的表现与基于EEG-fMRI的分类相当；此外，PLS1能够区分癫痫儿童和TDC。这些发现确立了PLS1作为儿童癫痫活动的一个稳健的、具有综合征特异性的标志物，对显性和亚临床癫痫活动都具有敏感性。

在方法论上，此研究基于PLS的框架代表了无创性癫痫映射的一个进步。通过提取一个与已知癫痫激活模式最大协变的单一潜在成分，该方法同时利用了数十个rs-fMRI特征的信息，有效地从高维数据中解码了癫痫复杂的网络特征。这样做强化了癫痫是一种分布式功能异常的网络疾病，而非孤立的局灶性改变的概念。与以往依赖一两个rs-fMRI指标或训练好的机器学习分类器的研究不同，这种数据驱动技术不需要有监督的模型训练。相反，它可以应用于个体患者水平，增强了临床可转化性。通过利用静态的癫痫激活模板而非实时脑电图事件，即使在未捕获到棘波的情况下，该方法也能推断癫痫网络活动，而在这种情况下传统的EEG-fMRI将无法产生任何发现。这一优势解决了EEG-fMRI的一个主要临床局限性，并突显了该框架在常规静息态扫描中的潜力。同时，TDC未表现出虚假的“癫痫”PLS1激活，强调了该方法对真实癫痫网络模式的高度特异性。因此，PLS1被认为是一个相比任何单一指标具有更优敏感性和一致性的复合生物标志物。这些属性使得该方法在临床应用中尤其有前景，因为它可以从单次静息态扫描中识别出异常脑区，无需长时间的脑电图监测或患者在任务中的配合。

在生物学上，PLS1图和特征权重提供了与已知癫痫网络机制一致的见解。在CAE中，PLS1在丘脑中最显著，这与丘脑皮质回路在全身性3 Hz棘慢波发作中的明确作用一致。在SeLECTS中，PLS1显示罗兰迪克区的最大参与，准确地捕获了该综合征典型的中央颞区棘波灶。这些具有综合征特异性的定位增强了PLS1检测到真实病理生理学基底的信心。此外，对PLS1贡献最大的特征在生物学意义的方式上因综合征而异。在SeLECTS中，基于振幅的指标（如ALFF）是权重最高的特征之一，而在CAE中，基于连接性的测量（尤其是丘脑功能连接密度）主导了PLS1的组成。这种差异反映了已知的病理生理学差异：SeLECTS被认为源于局灶性皮质过度兴奋，而儿童失神癫痫则涉及超同步化的丘脑皮质网络振荡。因此，除了改善检测之外，PLS模型可能在机制上突出显示了每种综合征中大脑功能的哪些方面受到最严重的干扰。此研究还观察到，与放电扫描和健康基线相比，PLS1在无放电静息态扫描的致痫区内仍然升高（尽管幅度较低），这是一种阶梯式激活模式，为PLS1所独有，未在任何单个rs-fMRI指标中观察到。这一综合结果表明，即使在明显没有棘波的情况下，大脑网络中也存在一种持续的“癫痫易感状态”，这与之前在SeLECTS和CAE患者发作间期发现的持续性网络异常的报告一致。因此，此研究的整合方法可能捕获了儿童癫痫与特定脑回路中持续性功能损伤之间的关联。

尽管有这些优势，此项研究仍存在若干局限性。首先，此研究没有决定性的金标准（例如，立体脑电图或手术后结果）来确认癫痫活动的确切来源；定位是从EEG-fMRI图和基于综合征的临床定义推断的。其次，此研究的单中心儿童队列可能限制了普适性。需要在更广的年龄范围和不同的扫描仪平台上进行多中心研究。最后，该框架依赖于特定综合征的激活先验。扩展此研究方法将需要通过多中心EEG-fMRI数据汇集等方法，为其他癫痫亚型建立一个可重复的模板库。总的来说，这些步骤对于将模板引导的多变量rs-fMRI解码转化为一个稳健的临床工具至关重要，并具有应用于以可重复网络特征为特征的其他疾病的潜力。

5 结论

此项研究引入了一个基于PLS的多变量rs-fMRI框架，该框架能够定位和量化SeLECTS和CAE患儿的癫痫脑活动。该方法展示了稳健的、具有综合征特异性的致痫区定位，即使在无明显发作间期放电的情况下仍对异常保持敏感，并在区分癫痫类型以及区分患者与健康儿童方面表现出良好的性能。这些结果突显了多变量rs-fMRI整合作为无创性癫痫评估的临床相关工具的潜力。

参考文献：Zhang, Q., Zhang, Z., Li, Y., He, Y., Yang, F., Kim, J., Tracy, J. I., Lu, G., & Zhang, Z. (2026). Integrating multivariate resting-state fMRI features to localize epileptic networks in common childhood epilepsy. Epilepsia,10.1002/epi.70243.Advance                                                                         online publication.                         

解读：脑海科技

声明

本公众号发布的文章旨在促进学术交流，版权归原作者或原出处所有。若涉及版权问题，请及时联系我们删除。联系邮箱：zhangfei@fmri123.com

开放转载，欢迎大家转发到朋友圈和微信群