使用立体脑电图进行癫痫发作区定位与预后预测联合任务的双任务图神经网络

准确触发癫痫的大脑区域并预测患者术后是否能够实现无发作，对于药物难治性癫痫的手术规划和患者管理至关重要。立体脑电图提供了高保真颅内记录，使临床医生能够精确定位致痫网络。然而，临床识别具有主观性，且依赖于临床团队的专业水平。尽管 sEEG 提供了与癫痫动态相关的高时间保真度，可以利用图结构理想地模拟大脑网络，但该领域的数据驱动方法仍然稀缺。本研究引入了一个双任务图神经网络（GNN）框架，该框架在加窗 sEEG 记录上运行，以联合预测无发作结果并识别发作区（SOZ）通道。我们从 20 名儿科患者的 51 次临床癫痫发作中收集了不重叠的 10 秒窗口，这些 sEEG 数据由临床专家标注。对于每个时间窗口，我们通过阈值化的皮尔逊相关性构建功能连接图，并提取丰富的节点特征（频谱、统计、小波、Hjorth 和局部图特征），以及六个全局图描述符。我们使用可调任务权重优化组合交叉熵损失，并通过 Optuna 选择模型超参数。在窗口级 10 折交叉验证下，模型在无发作预测上实现了 $89.31 \pm 0.0976 \%$ 的平均图级准确率，在 SOZ 定位上实现了 $94.72. \pm 0.0041 \%$ 的节点级准确率。对于性能最佳的模型，我们进行了加性和留一消融研究，以探索图和节点级准确率的特征重要性。