用于推断脑区的致癫痫性的方法技术

本发明专利技术涉及一种用于推断癫痫患者大脑的发作活动中未观察为复原或者未观察为未复原的脑区的致癫痫性的方法，包括下列步骤：提供对灵长类大脑的各个区域以及所述区域之间的连接性进行建模的计算机化模型；为所述计算机化模型提供能够再现灵长类大脑中的癫痫发作动态的模型；提供癫痫患者大脑的结构数据，并且使用所述结构数据来个性化计算机化模型，以便获得虚拟癫痫患者（VEP）脑模型；使用概率状态转变将虚拟癫痫患者（VEP）脑模型的状态空间表示转化为概率编程语言（PPL），以便获得概率虚拟癫痫患者脑模型（BVEP）；以及获取患者大脑的脑电图或脑磁图数据，并且对照所述数据来拟合概率虚拟癫痫患者脑模型，以便推断未观察到的所述脑区的致癫痫性。的所述脑区的致癫痫性。的所述脑区的致癫痫性。

【技术实现步骤摘要】
【国外来华专利技术】用于推断脑区的致癫痫性的方法


[0001]本专利技术涉及一种用于推断在癫痫患者大脑的发作活动中未观察为复原（recruited）或者未观察到未复原的脑区的致癫痫性（epileptogenicity）的概率方法。

技术介绍

[0002]模型反演（即，查找产生与所观察的数据的最佳可能拟合的模型参数集合）在统计推理中是棘手任务。贝叶斯框架提供从具有大范围的应用的实验数据进行参数推理和模型预测的强大和原则性方法。在神经成像上下文中，贝叶斯方式已被广泛用于从神经生理数据来推断神经元群体的本征参数和/或预先指定的神经元网络中的神经元群体之间的交互。
[0003]众所周知，无梯度取样算法（例如，Metropolis
‑
Hastings、Gibbs取样和切片取样）当被应用于大规模反问题时通常无法有效地探查参数空间，正如在临床诊断的全脑成像的应用中经常遇到。特别是，传统马尔可夫链蒙特卡洛（MCMC）在涉及相关变量的高维参数空间中不良地混合。相比之下，基于梯度的算法（例如，哈密顿蒙特卡洛（HMC））尽管是计算上昂贵的，但是在每单位计算时间所产生的单独样本的数量方面远比无梯度取样算法要优良。这类取样算法提供甚至在可呈现强相关性的很高维空间中也提供参数空间的有效收敛和探查。然而，基于梯度的取样方法（例如，HMC）的效率对用户指定的算法参数极为敏感。更先进的MCMC取样算法（例如，No
‑
U
‑
Turn取样器（NUTS）（HMC的自调谐变体）通过自适应调谐算法参数来解决这些问题。已经表明，这些算法有效地从高维目标分布进行取样，所述高维目标分布允许解决以作为观察的大量数据集为条件的复杂反问题。
[0004]MCMC具有在长/无限运行的极限中是非参数和渐近精确的优点。在其他备选方案中，变分推理（VI）将贝叶斯推理变成优化问题，这通常产生比MCMC方法要快许多的计算。但是，VI的经典推导要求关于定义适合概率模型的变分系列、计算对应目标函数、计算梯度以及运行基于梯度的优化算法的主模型特定的工作。自动微分变分推理（ADVI）自动解决这些问题。
[0005]概率编程语言（PPL）通过分别以生成下一代的MCMC取样和VI算法（例如，NUTS和ADVI）为特征，为用户定义的概率模型上的自动贝叶斯推理提供有效实现。借助于PPL，这些算法利用自动微分方法来计算计算机程序中的导数，以避免随机游动行为以及对相关参数的敏感性。特别是，Stan和PyMC3是用于贝叶斯推理和概率机器学习的高级统计建模工具，所述工具提供利用广泛和可靠的诊断所丰富的高级推理算法，例如，NUTS和ADVI。虽然PPL允许自动推理，但是这些算法的性能能够对参数化的形式敏感。概率模型中重新参数化以改进系统动态的推理效率（通过非线性随机微分方程集合所管理）的适当形式仍然是棘手问题。
[0006]另一方面，由于改进医学治疗策略的潜力，个性化大规模脑网络建模近年来已经获得普及。在个体化全脑建模方式中，从无创成像技术所获得的患者特定的信息（例如，解剖连接性）与局部神经元活动的平均场模型相组合，以便以宏观规模来模拟个体的空间
‑
时
间大脑活动。虚拟大脑（TVB）是通过Python所编写的开放访问计算框架，以通过使用个体受检者数据来再现和评估大脑的个性化配置。这个神经信息学平台集成大脑计算建模和多模神经成像数据，以系统地模拟个体的时空大脑活动。但是，当前不存在为TVB准备的自动模型反演和数据拟合验证的特定工作流程。
[0007]最近提出一种对基于从个体患者的无创结构数据所得出的个性化脑网络模型的大脑干预的新方式，即虚拟癫痫患者（VEP）。VEP模型是个体大脑的大规模计算模型，所述模型结合个人数据（例如，发作开始的位置、受检者特定的大脑连接性和MRI病灶），以通知患者特定的临床监测并且改进手术结果。先前已经表明，VEP模型能够真实地模拟具有双侧颞叶癫痫的患者的癫痫发作的演变。但是，由于每个脑网络节点的本征非线性动态以及相关的大量模型参数以及如脑成像环境中通常遇到的观察，这类大规模脑网络模型的反问题是棘手任务。

技术实现思路

[0008]相应地，存在对于用于下列的需要：在最流行的概率编程工具（例如Stan/PyMC3）与个性化脑网络建模（例如VEP模型）之间建立有用联系，以便系统地预测虚拟癫痫患者的发作开始的位置。本专利技术特别允许构建贝叶斯虚拟癫痫患者（BVEP）作为概率框架，所述概率框架设计成推断由TVB所生成的癫痫扩散的个性化大规模脑模型的隐藏/未观察动态。
[0009]根据第一方面，本专利技术涉及一种用于推断在癫痫患者大脑的发作活动中未观察为复原或者未观察为未复原的脑区的致癫痫性的方法，包括下列步骤：提供对灵长类大脑的各个区域以及所述区域之间的连接性进行建模的计算机化模型；为所述计算机化模型提供能够再现灵长类大脑中的癫痫发作动态的模型，所述模型是作为大脑区域的致癫痫性的参数的函数；提供癫痫患者大脑的结构数据，并且使用所述结构数据来个性化计算机化模型，以便获得虚拟癫痫患者（VEP）脑模型；使用概率状态转变将虚拟癫痫患者（VEP）脑模型的状态空间表示转化为概率编程语言（PPL），以便获得概率虚拟癫痫患者脑模型（BVEP）；以及获取患者大脑的脑电图或脑磁图数据，并且对照所述数据来拟合概率虚拟癫痫患者脑模型，以便推断患者大脑的发作活动中未观察为复原或者未观察为未复原的所述脑区的致癫痫性。
[0010]优先地，
‑ꢀ
概率编程语言是贝叶斯编程语言，概率虚拟癫痫患者脑模型是贝叶斯虚拟癫痫患者（BVEP）脑模型，并且使用贝叶斯推理来推断未观察为复原或者未观察为未复原的脑区的致癫痫性；
‑ꢀ
癫痫患者大脑的结构数据包括无创T1加权成像数据和/或扩散MRI图像数据；
‑ꢀ
能够再现灵长类大脑的癫痫发作动态的模型是一种模型，所述模型再现初起（onset）、进展和抵消发作事件，包括在下列三个不同时标上耦合两个振荡动态系统的状态变量：最快时标，其中状态变量记述猝发性发作状态期间的快速排放；中间时标，其中状态变量表示慢尖峰和波振荡；和最慢时标，其中状态变量负责猝发间期与猝发性状态之间的转变，并且其中大脑区域的致癫痫性程度通过兴奋性参数的值来表示；
‑ꢀ
为了获得概率虚拟癫痫患者脑模型，提供患者大脑的致癫痫性的空间图，致癫痫性的所述空间图将患者大
脑的脑区分类为致痫区（EZ）（所述EZ能够自主地触发癫痫发作）、传播区（PZ）（所述PZ没有自主地触发发作，而是能够在发作演变期间复原）和健康区（HZ）（所述HZ没有自主地触发发作）；
‑ꢀ
按照基于虚拟癫痫患者的状态空间表示的生成模型来生成概率虚拟癫痫患者脑模型；
‑ꢀ
虚拟癫痫患者的状态空间表示具有如下形式其中，是随时间演变的系统状态的n维向量，x
t0
是在时间t = 0的初始状态向量，包含虚拟癫痫患者模型的所有未知参数，u(t)代表外部输入，表示遭受测量误差本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于推断在癫痫患者大脑的发作活动中未观察为复原或者未观察为未复原的脑区的致癫痫性的方法，包括下列步骤：提供对灵长类大脑的各个区域以及所述区域之间的连接性进行建模的计算机化模型；为所述计算机化模型提供能够再现所述灵长类大脑中的癫痫发作动态的模型，所述模型是作为所述大脑的区域的所述致癫痫性的参数的函数；提供所述癫痫患者大脑的结构数据，并且使用所述结构数据来个性化所述计算机化模型，以便获得虚拟癫痫患者（VEP）脑模型；使用概率状态转变将所述虚拟癫痫患者（VEP）脑模型的状态空间表示转化为概率编程语言（PPL），以便获得概率虚拟癫痫患者脑模型（BVEP）；以及获取所述患者大脑的脑电图或脑磁图数据，并且对照所述数据来拟合所述概率虚拟癫痫患者脑模型，以便推断所述患者大脑的所述发作活动中未观察为复原或者未观察为未复原的所述脑区的所述致癫痫性。2.根据权利要求1所述的方法，其中，所述概率编程语言是贝叶斯编程语言，所述概率虚拟癫痫患者脑模型是贝叶斯虚拟癫痫患者（BVEP）脑模型，以及使用贝叶斯推理来推断未观察为复原或者未观察为 未复原的所述脑区的所述致癫痫性。3.根据权利要求1或2中的一项权利要求所述的方法，其中，所述癫痫患者大脑的所述结构数据包括无创T1加权成像数据和/或扩散MRI图像数据。4.根据权利要求1、2或3中的一项权利要求所述的方法，其中，能够再现所述灵长类大脑中的所述癫痫发作动态的所述模型是一种模型，所述模型再现初起、进展和抵消发作事件的的所述动态，其包括在下列三个不同时标上耦合两个振荡动态系统的状态变量：最快时标，其中状态变量记述猝发性发作状态期间的快速排放；中间时标，其中状态变量表示慢尖峰和波振荡；以及最慢时标，其中状态变量负责猝发间期与猝发性状态之间的所述转变，并且其中所述大脑的区域的致癫痫性的程度通过兴奋性参数的值来表示。5.根据前述权利要求中的一项权利要求所述的方法，其中，为了获得所述...

【专利技术属性】
技术研发人员：V，
申请(专利权)人：法国国家健康和医学研究所，
类型：发明
国别省市：