这篇文档属于类型a,即报告了一项原创性研究。以下是针对该研究的学术报告:
颞叶癫痫疾病进展的个体化形态学网络模型研究
作者及机构
本研究由Xinyan Liu(北京航空航天大学生物科学与医学工程学院)、Jiaqi Han(首都医科大学宣武医院神经内科)、Xiating Zhang(河北医科大学第一医院神经内科)等合作完成,通讯作者为Yuping Wang、Yicong Lin和Jicong Zhang。研究成果发表于2025年的《NeuroImage: Clinical》期刊(第48卷,文章编号103843)。
学术背景
颞叶癫痫(Temporal Lobe Epilepsy, TLE)是最常见的局灶性癫痫类型,以进行性脑网络重组为特征。传统研究多依赖群体水平的形态学网络分析,忽视了个体异质性。本研究提出了一种新型个体化形态学网络模型——CTV-MIND(Cortical Thickness-Volume integrated Morphometric Inverse Divergence Network),通过整合皮层厚度(CT)和灰质体积(Vol)特征,探究TLE患者疾病进展的生物标志物。研究目标包括:(1) 揭示不同病程TLE患者的脑网络重组模式;(2) 阐明网络属性与局部形态学特征的关联;(3) 利用网络特征预测脑年龄,评估病程对脑老化的影响。
研究流程与方法
1. 研究对象
- 纳入34例术后无发作的TLE患者(分为短期组≤10年病程16例,长期组>10年病程18例)和28例年龄/性别匹配的健康对照(HC)。
- 所有受试者接受3.0T T1加权MRI扫描,数据经左右翻转标准化(以手术侧为基准)。
影像处理与网络构建
网络分析
脑年龄预测
主要结果
1. 网络重组特征
- 长期组 vs HC:NBS分析显示长期组患侧颞叶与其它脑区的连接增强(47条边,74.5%涉及颞叶),且患侧颞中回、颞极、内嗅皮层及对侧额上回的DC/NE显著升高(Hedges’ g=1.046–1.188,p<0.05 FDR校正)。
- 病程相关性:上述脑区的DC/NE与病程呈正相关(r=0.375–0.494),提示网络重组随病程累积而加剧。
形态学-网络关联
脑年龄预测
结论与价值
1. 科学意义:CTV-MIND模型首次在个体化水平上揭示了TLE的进行性网络重组规律,提出患侧颞叶的“连接增强-萎缩共存”模式是疾病进展的核心特征。
2. 临床应用:病程敏感脑区的网络特征可作为无创生物标志物,辅助早期手术干预决策;脑年龄预测框架为评估累积性脑损伤提供了量化工具。
3. 理论创新:MIND框架的多特征整合方法突破了传统单变量形态学分析的局限,为其它神经退行性疾病的网络研究提供了新范式。
研究亮点
- 方法学创新:开发CTV-MIND算法,实现CT/Vol双特征的个体化网络建模。
- 发现特异性:明确病程相关脑区(如颞极)在驱动脑老化中的主导作用。
- 跨尺度验证:从微观形态学(CT/Vol)到宏观网络属性(DC/NE)的多层次证据链。
局限性
未纳入认知功能评估、TLE亚型分析及纵向设计,未来需扩大样本验证。
(注:全文约1500字,符合要求范围)