脑功能连接模型在机器学习中分类鲁棒性研究——以静息态功能磁共振定位癫痫发作侧为例

杨泽坤 葛曼玲 付晓璇 陈盛华∗ 张夫一 郭志彤 张志强

1(河北工业大学省部共建电工装备可靠性与智能化国家重点实验室，天津 300130)

2(河北工业大学河北省电磁场与电器可靠性重点实验室，天津 300130)

3(南京大学医学院附属金陵医院/东部战区总医院医学影像科，南京 210002)

引言

癫痫是一种脑内自发神经电活动异常的疾病，是先天(遗传性或发育障碍)或获得性(肿瘤、外伤、炎症等)因素导致的神经元细胞膜电位高兴奋性所致的突然、反复和短暂的中枢神经系统功能失调的慢性病[1]，仅我国就有900 万例以上，是病例最多的国家。颞叶癫痫(temporal lobe epilepsy，TLE)是典型的部分癫痫，也是一种常见的药物难治性癫痫[2-3]，手术切除致痫灶(也叫癫痫源灶或放电起始区)是最佳的治疗方案，因而，致痫灶定位是术前必需的工作[4]，其中定侧是首要的。

当前，在癫痫活动的临床定位诊断中，以fMRI(functional magnetic resonance imaging)为代表的多模态无创影像学快速发展，并发挥着越来越重要的作用，国际抗癫痫联盟(International League Against Epilepsy，ILAE)已把MRI 检查作为重要的诊断检查项目[5]。常规结构MRI 可以发现与颞叶癫痫活动产生相关的病理灶(如海马硬化，即海马在结构MRI 上显示阳性，因而成为发作侧的结构像标记)。但是，20%～30%的患者表现为常规结构影像阴性，功能成像弥补了对其定位诊断的不足，已成为当前癫痫影像研究的主要方向。尤其是静息态fMRI 技术(resting-state fMRI，rfMRI)，具有无损、快捷和很强的患者适应性(婴儿、残疾和昏迷患者亦可)，且不需专门设备，不受发作间期痫性发放条件的影响，不受血流动力学相应函数选择的限制，也可实现癫痫活动的检出，具有很高的敏感性和特异性，因此被看作是最有发展前景的癫痫活动定位技术；Pearson 相关性(Pearson correlation)的功能连接算法应用最广泛，是传统的成像算法[6-7]。

机器学习是功能影像学人工智能的核心，旨在将影像学数据与神经网络的机器学习模型相结合，发现功能影像学标记，辅助医学诊断；其在癫痫患者rfMRI 研究中，主要应用于患者脑功能评估和诸如语言功能偏侧定位，也应用于发作侧定位[8-16]。尽管目前传统的功能连接算法在机器学习定位发作侧上具有良好表现，分类精度可达80%以上[16]，甚至100%[17]，但无论是大样本还是小样本，传统的功能连接模型的分类精度稳定度尚无报道。而且，已有研究表明，传统功能连接在描述癫痫功能网络上存在一定的局限性，逊于互信息算法，互信息所定义的功能相关比Pearson 相关更好地捕捉大脑网络的生理特征[18]。

值得一提的是多重共线性的发现:在多元线性回归模型中，多重共线性会使回归系数估计的方差很大，造成估计结果的高度不稳定，还可能产生参数估计精度降低、置信区间长度增大、假设检验结果不准确等影响[19-20]。这些影响或在癫痫的功能影像机器学习中存在，对分类性能产生负面影响，却至今少有报道，因而成为笔者尝试的研究目标。

为此，根据癫痫有别于健康人脑功能的特点，本研究以健康人群为参照，提出为单个癫痫患者的单个脑区打分的功能连接指数模型，并将该模型与Pearson 相关性的传统功能连接模型用于相同的机器学习方法，比较两者的分类性能及其稳定性，试图对比功能连接模型在机器学习分类中的表现，并为功能连接模型应用于机器学习提供指导。

由于患者数量属于小样本，机器学习采用了在小样本分类和预测上具有优势的概率神经网络(probabilistic neural network，PNN)和支持向量机(support vector machine，SVM)，旨在检验两种功能连接模型在不同机器学习算法分类中是否具有相同表现。考虑指数模型以健康人作为参照，即特异于健康人群，需采用较大样本量以保证特异性研究的基础，在此选取了与患者处于相同年龄段的影像组学数据——西南大学成人寿命数据集(SALT)中的健康人，符合者达142 人。最后，由于PNN 和SVM 皆为有监督学习模型，需要在提前标记发作侧的样本上运行，采用结构像提示的发作侧信息(海马硬化)进行功能像的有监督学习。

1 材料和方法

1.1 实验对象

1.1.1 健康人组

选取了142 名年龄在19～37 岁之间的健康人。数据来自西南大学成人寿命数据集(https:/ /www.nature.com/articles/sdata2018134)[21]，符合下述5个质量控制标准:一是符合MRI 相关排除标准，包括幽闭恐怖、金属植入物、梅尼埃氏综合征、近6 个月内有晕倒史；二是目前无精神疾病或神经系统疾病；三是在扫描前3 个月内没有使用精神类药物；四是没有怀孕；五是没有头部外伤史。此外，要求参与者在扫描前一天和扫描当天不要饮酒。数据集的收集获得了每位参与者知情书面同意。

1.1.2 癫痫患者组

癫痫患者组实验对象为来自南京军区南京总医院的20 名单侧发作颞叶癫痫患者(9 名男性，11名女性)，左侧发作和右侧发作各10 名，年龄在19～33 岁之间，平均每月发作7.4 次。所有实验对象均为结构MRI 检出海马阳性，在术前接受常规的术前检查，以定位癫痫放电区域。采用Siemens 3.0 T 高场强超导MRI 扫描仪，经单次激发GE-EPI 序列采集BOLD-fMRI 数据，TR＝2 000 ms，TE＝30 ms，翻转角度为90°，矩阵64×64，扫描视野240 mm×240 mm，层厚4.00 mm，层间距0.40 mm。本研究获得南京军区总医院医学伦理委员会批准，患者知情并且签署知情同意书[22]。

1.2 方法

1.2.1 rfMRI 数据预处理

rfMRI 数据预处理是使用FMRIB 软件库中的工具进行的[23-24]，处理流程、专利算法和质量检测在美国哈佛医学院Martinos 医学影像中心完成[25-26]。处理平台CPU 为Intel Xeon Sliver 4112×16，64 核，操作系统Centos7.6，每位实验对象的数据预处理时间约为15 h。

预处理步骤如下:

1)将每位实验对象采集的前4 个时间点数据移除，使信号更加稳定；

2)使用SPM2 校正切片采集的每个脑体积时间偏移；

3)利用FSL 软件(http:/ /fsl.fmrib.ox.ac.uk/fsl)，对头部运动进行刚体平移和旋转[27]；

4)全脑平均信号归一化，将信号配准到MNI(Montreal Neurological Institute)标准空间，重采样到2 mm 各向同性体素大小；

5)带通时间滤波(0.01～0.08 Hz)。

预处理完成之后，使用DPABI＿V4.3[28]将数据投射到解剖自动标记图谱(AAL，第1 版)[29]模版上，在AAL 模板共116 个脑区域评估BOLD 时间序列，每个脑区的时间长度为246，并通过在属于每个脑区域的所有体素上的平均BOLD 信号用于分析。所使用的实验设备CPU 为Inter Core i9－9 900 K，独立显卡NVIDIA RTX 2060，操作系统Windows10，每名患者数据的处理时间为23 min。

1.2.2 Pearson 相关的传统功能连接模型

Pearson 相关系数，又称Pearson 积矩相关系数，用于表示两个变量间的线性相关性[30]，通过强度来反映脑功能状态和活动，是脑功能连接的传统计算模型，其取值范围为[－1，1]。当取值大于0 时，代表两个脑区的活动强度共同增长或减低；当取值小于0 时，则代表两个脑区的活动强度此消彼长。以Pearson 系数的绝对值表达相关的强度，绝对值越大则表示相关度越强，反之越弱。当相关系数等于0时，两个变量间完全不相关；当相关系数绝对值在区间(0，0.3)上时，为弱相关；当绝对值在(0.3，0.5)上时，为实相关；当绝对值在(0.5，0.8)上时，为显著相关；当绝对值在(0.8，1)上时，为高度相关；当相关系数等于1 时，为完全相关。

将20 名单侧发作患者的BOLD 信号在时间序列上取平均，进行全脑Pearson 功能相关计算。首先，得到116×116 的全脑功能连接矩阵，按行求平均值，得到116×1 的传统功能连接(记做FC)矩阵；20 位患者将获得20×116 的FC 矩阵。最后，通过DPABI＿V4.3 投射到大脑上，观察不同发作侧患者功能像的差异。

1.2.3 功能连接特异性指数模型

基于传统功能连接，提出以健康人连接组学为参照的个体患者rfMRI 功能连接特异性指数模型，为每位患者每个脑区的功能连接打分，以评估个体患者每个脑区功能连接的大小，试图改进传统功能连接模型。

功能连接差异指标(connectome distinctiveness index，CDI)表示为

式中，fs，i是患者第s个脑区与第i个脑区之间功能连接向量，fp，i是健康人第p个脑区与第i个脑区之间功能连接向量，N是健康人的数量，CDIs，i为患者第s个与第i个脑区之间的功能连接特异性指数。

计算每位患者相对于健康人群组的CDI，得到20×116 矩阵。为了比较癫痫患者与健康人的CDI差异，又计算了142 个健康人群组之间CDI，得到了142×116 矩阵。

CDI 在健康人中的分布表示为

式中，mean＿CDIi表示N个健康壮年人在第i个脑区的CDI 平均值，std＿CDIi表示N个健康人在第i个脑区的CDI 标准差，N＝142。

计算142 个健康人群组CDI 分布，将上述计算得到的142×116 矩阵对人数取平均，得到一个1×116 矩阵，记为mean＿CDI＿nc。它是描述CDI 集中位置的一个统计量，既可以用来反映群组CDI 平均水平，也可以用其进行不同组数据比较，得出组间差别的统计显著性。再求CDI 标准差，记为std＿CDI＿nc，它是1×116 矩阵，反映组内个体间CDI 离散程度，其值越大，代表大部分CDI 数值和其平均值之间差异越大，反之亦然。

通过比较每位患者CDI 与健康人群组CDI 的分布，即可得到该患者s在脑区i处CDI 的功能连接特异性指数FCSIs，i，有

该指数可客观评价个体患者在大脑任意脑区处功能连接偏离健康人群的程度，评分越高表明偏离健康人群的程度越大，说明功能连接越有可能异常，反之亦然。对每位患者每个脑区评分，获得全脑评分阵列，则20 位患者将获得20×116 评分矩阵。

1.2.4 ROC 曲线分析定义功能像对侧敏感脑区

计算得到功能连接系数矩阵，利用SPSS 对20名患者所计算的两种功能连接模型数据，进行组间ROC(receiver operating characteristic)曲线分析，也就是分类敏感性分析和曲线下面积(area under curve，AUC)。其中，AUC 的值越大，表示两组不同的数据对所分析的变量敏感性越高。将10 名左发作患者标记为1，将10 名右发作患者标记为2，选择状态变量值为2，计算后各得到116 个脑区的ROC曲线以及AUC；对AUC 进行降序排列，分别取两种功能连接模型中的前8 个敏感脑区作为功能影像标志性脑区(functional bio-marker areas)，通过BrainNet Viewer 将所得到的标志性脑区可视化[31]。

1.2.5 概率神经网络

概率神经网络(PNN)是在径向基函数神经网络基础上发展而来的一种新型人工神经网络，是基于贝叶斯决策和Parzen 窗概率密度函数构建的前馈网络模型，是一种有监督学习算法[32]。PNN 可以将非线性问题转换为线性问题求解，事实上它曾被认为是径向基神经网络的一种变体，但所不同的是其权值可全部调为一致，这也是它适用于训练样本数量较小问题的一个原因。本研究在Matlab 中以径向基函数为核函数构建概率神经网络[33]，平滑因子的值设为1.5。

1.2.6 支持向量机

SVM 是一种基于统计学理论的机器学习分类方法[34-35]，其基本原理是将低维空间中的线性不可分点映射到高维空间中，使它们成为线性可分，再利用线性可分时构造最优超平面方法，通过核函数用高维空间超平面来完成分类。

1.2.7 分类与随机交叉验证

PNN 和SVM 是两种有效适用于小样本分类的有监督机器学习方法。每位患者特征向量均为9 维行向量，其中包括8 个功能影像标志性脑区特征值(即Pearson 相关性模型特征值为FC，功能连接特异性指数模型特征值为FCSI)和1 个标记值，左发作患者标记为1，右发作患者标记为2。训练集与测试集的比例为6∶4。本研究采用相同的特征向量和不同的机器学习算法，共进行10 次随机交叉验证实验，获得10 次实验的分类准确率。

为了避免训练集和测试集患者分组对机器学习造成偶然性影响，机器学习分类实验中采取多次随机交叉验证实验。每次分类实验前将所有患者特征向量随机排序并分组，用于机器学习分类实验。

1.2.8 特征向量相关性分析

在回归模型中，自变量之间存在的线性相关会对回归结果产生负面影响。在机器学习中，特征向量之间存在的线性相关或依存关系将影响分类效果，造成准确率较差或不稳定。

利用线性相关(即Pearson 相关)分别对2 种功能连接模型提取的特征向量进行横向和纵向分析，试图全面揭示向量间存在的依存关系。所谓横向相关性分析(患者间相关性分析)，是以每位患者的8 个特征脑区模型数据重构分析向量，计算分析向量之间相关性，即10 位同发作侧(本研究选取10 名左发作侧)患者的特征向量之间两两计算线性相关，获得相关系数绝对值用于分析；而所谓纵向相关性分析(特征向量间相关性分析)，是以每个特征脑区的20 名患者功能连接模型数据构建分析向量，计算分析向量间的相关性，即8 个特征脑区之间两两计算线性相关性，获得相关系数绝对值用于分析。

2 结果

2.1 Pearson 相关性的传统功能连接模型分析

2.1.1 传统功能影像标示的发作侧

图1显示了一例左侧海马结构MRI 阳性患者Pearson 相关性算法成像的功能像。可以看出，传统功能连接算法可成像左侧颞叶有集中高亮区域，说明传统功能连接模型能够粗略标示发作侧。

图1 Pearson 功能连接表达的发作侧。(a) 冠状面；(b) 矢状面；(c)轴状面Fig.1 Paroxysmal side displayed by Pearson correlation.(a) Coronal plane；(b) Sagittal plane；(c) Axial plane

2.1.2 传统功能连接模型定义的标志性脑区

图2给出了由Pearson 相关系数确定的8 个组间差异显著脑区的ROC 曲线。可以看出，对发作侧敏感的功能影像标志性脑区为海马旁回、楔叶、枕中回、楔前叶、楔前叶、颞中回及小脑。

图2 Pearson 相关模型确定的8 个功能影像标志性脑区。(a)ROC 曲线；(b)标志性脑区位置:左右两列上方和中间为两个脑半球的矢状面，下方为冠状面，中间一列为轴状面Fig.2 A total of 8 functional bio-marker areas estimated by Pearson correlation model.(a) ROC curves；(b)Schematic diagram of locations of bio-markers.In the left and right columns，upper and middle parts are on the sagittal planes，lower part is on the coronal plane，and middle column is on the axial plane

2.2 功能连接特异性指数模型分析

图3给出了功能连接特异性指数确定的8 个组间差异显著脑区的ROC 曲线。可以看出，对发作侧敏感的功能影像标志脑区为眶部额上回、眶部额中回、岛盖部额下回、三角部额下回、杏仁核、舌回、梭状回。

图3 功能连接特异性指数模型确定的8 个功能影像标志性脑区。(a)ROC 曲线；(b)标志性脑区位置:左右两列上方和中间为两个脑半球的矢状面，下方为冠状面，中间一列为轴状面Fig.2 A total of 8 functional bio-marker areas estimated by FC-based specificity model.(a) ROC curves；(b)Schematic diagram of locations of bio-markers.In the left and right columns，upper and middle parts are on the sagittal planes，lower part is on the coronal plane，and middle column is on the axial plane

2.3 机器学习分类和验证

2.3.1 Pearson 相关性模型

Pearson 相关性模型的机器学习定侧的随机交叉验证结果如表1所示。可以看出，PNN 分类准确率在25.0%～100%之间，SVM 则在50.0%～87.5%之间。从平均分类准确率来看，PNN 为51.25%，而SVM 则为68.75%，说明SVM 分类准确率要好于PNN 分类准确率。从分类稳定性来看，Pearson 相关性模型的分类准确率方差分别25.99%为和13.5%。PNN 分类准确率方差(25.99%)占其平均值(51.25%)一半以上，稳定性极差；SVM 较PNN下降了1 倍多(13.5%)，其平均值也有所提高(68.75%)，其稳定性要好于PNN 的稳定性，但其平均值仅稍高于50%，而且方差占平均值接近20%，说明其稳定性仍然较差。

总之，传统功能连接模型在PNN 和SVM 的机器学习分类中，SVM 的平均分类准确率和稳定性好于PNN，但两者的分类性能都较差。

2.3.2 功能连接特异性指数模型

功能连接特异性模型的机器学习定侧的随机交叉验证结果如表2所示。可以看出，PNN 和SVM的分类准确率皆在75%～100%之间，但PNN 平均准确率为88.75%，而SVM 平均准确率为86.25%，PNN 略好于SVM。从分类稳定性来看，PNN 方差(7.10%)低于SVM 方差(10.94%)，再次说明PNN好于SVM。总之，功能连接特异性指数模型在PNN和SVM 的机器学习分类中，PNN 平均分类精度和稳定性好于SVM 的相应情况；但两者的分类性能都较好，具有较强的鲁棒性，都远强于传统功能连接模型的鲁棒性。

最后，表1和表2皆表明:PNN 和SVM 的机器学习算法对分类准确度和稳定性影响较小。

表1 Pearson 相关性模型的机器学习分类准确率Tab.1 Classification accuracy in machine learning when imaging by Pearson correlation model

表2 功能连接特异性指数模型的机器学习分类准确率Tab.2 Classification accuracy in machine learning when imaging by FC-based specificity index model

2.4 特征向量的线性相关性分析

2.4.1 患者间线性相关性

表3给出组间所有患者由功能影像标志性脑区的传统功能连接构成特征向量之间相关系数绝对值，而表4则为功能连接特异性指数构成特征向量之间相关系数绝对值。由于相关系数矩阵的对称性，这里只显示上三角相关系数绝对值。

比较表3和表4可见，功能连接特异性指数构成的特征向量之间相关系数，除了4 个高于0.5，其余皆远低于0.5，呈弱相关；而传统功能连接构成的特征向量之间相关系数，除了3 个低于0.5，其余皆大于0.5，呈显著相关甚至高度相关。这说明，传统功能连接模型在机器学习中易形成样本间相关性较大的特征向量，也就是功能影像标记不独立，向量间存在多重共线性，可能造成表格1 随机交叉验证实验发现的定侧平均准确率和稳定性皆较差。而功能连接特异性指数模型则在机器学习分类中则表现出较强鲁棒性，患者在所构成的特征向量之间相关性很弱，也就是所确定的功能影像标记较为独立，改善了传统功能连接存在的多重共线性，因此，在表格2 观察到定侧准确率有较高水准并具较高稳定性。

表3 FCs 的特征向量在患者间的相关系数Tab.3 FCs of features vectors between groups

表4 功能连接特异性指数的特征向量在患者间的相关系数Tab.4 FC-based specificity indexes of features vectors between groups

2.4.2 功能影像标志性脑区间线性相关性

由8 个功能影像标志性脑区组间患者的传统功能连接构成分析向量，做分析向量之间线性相关性系数，如表5所示。由8 个功能影像标志性脑区组间患者的功能连接特异性指数构成分析向量，做分析向量之间线性相关性系数，如表6所示。可以看出，患者由两种功能连接模型所确定的功能影像标志性脑区间皆线性无关，所以可以推测对发作侧敏感的功能影像标志性脑区与机器学习的分类稳定性无关。

表5 传统功能连接在功能影像标志性脑区中的组间相关系数Tab.5 Inter-group correlation of FCs in functional imaging bio-marker areas

表6 功能连接特异性指数模型在功能影像标志性脑区中的组间相关系数Tab.6 Inter-group correlation of FC-based indexes in functional imaging bio-marker areas

3 讨论

Pearson 相关系数作为传统的、典型的脑功能表征模型，一直以来被广泛地用于脑功能和脑疾病的研究中，但在机器学习中表现出一定的局限性，并在一些不同的应用情景下被其他的模型所取代。在本研究中，基于连接组学的FCSI 模型在机器学习中的平均准确率比Pearson 相关系数在相同实验下高27.5%，平均方差低9.02%，表现出更高的分类水平和更好的稳定性。在特征向量分析和标志性脑区的确定中，以FC 为特征向量的AUC 为0.76，而FCSI 的特征向量AUC 为0.84，FCSI 模型表现出更好的敏感性。在以往的实验模型中，用于分类的特征向量往往是来自健康人与患者，或是不同发作侧的患者；FCSI 模型以健康人连接组学作为参照，以为患者单个脑区的功能异常程度打分的方式，这是该模型优于Pearson 模型的主要优势。另外，在多重共线性分析中，基于FCSI 的特征向量相比基于Pearson 相关系数的特征向量，呈现较弱的线性相关性，这一特点或是两种模型在机器学习分类实验中不同表现的内在因素。

3.1 功能连接特异性指数模型

PNN 和SVM 是两种适用于小样本分类的机器学习方法，具有较强的泛化能力。在相同的实验设计下，相比Pearson 相关系数，基于FCSI 的机器学习分类实验，PNN 准确率高37.5%、方差低18.89%，SVM 准确率高17.5%、方差低2.56%，FCSI 模型表现出了明显的优势。在随机交叉验证实验中，功能连接特异性指数模型的平均分类准确率高于Pearson 模型的，且分类准确率方差远小于Pearson模型的，可能的原因是功能连接特异性指数模型引入了来自连接组学的较大样本健康人数据，得到CDI在健康人中的分布；将其统计特性作为比对基础，引入到癫痫患者功能连接评估，以打分的方式评价患者单个脑区功能状态与健康人差异的程度，更突出了患者异常功能连接特性，降低了同种癫痫定侧时在传统功能连接模型直接做线性相关时所造成的相似性，因而患者间功能连接特异性指数的相关性降低，如表4所示。因此，功能连接特异性指数模型在机器学习定侧中具有较强鲁的棒性。

3.2 功能影像标志性脑区

尽管由功能连接模型的敏感性分析曲线确定的功能影像标志性脑区会依赖所选用的连接模型(见图2、3)，但在两种功能连接模型所确定的对发作侧敏感脑区，诸如海马旁回、枕中回、颞中回、眶部额上回、眶部额中回、杏仁核等，已被多次证实为有效的颞叶癫痫诊断生物标记物[17，36]。

值得一提的是，海马作为临床中利用结构磁共振成像诊断颞叶癫痫的生物标记物，常以海马硬化的结构MRI 作为诊断依据，现在已经成功地应用于阴性癫痫的机器学习分类研究中，取得很好的分类效果[37]，但在利用fMRI 诊断颞叶癫痫中却很少被提及。在ROC 曲线分析中，海马的AUC 较低，并不适用于作为分类的特征。近年来，海马亚区的研究逐步深入，对海马的进一步分割或许会在未来更进一步地揭示癫痫发作与海马硬化的因果关系和海马的功能变化。

3.3 多重共线性

多重共线性可反映线性回归模型中自变量之间由于存在高度相关关系而使模型的权重参数估计失真或难以估计准确的一种特性，它在机器学习中表现为样本间或特征向量间的依存关系，将影响分类准确率的水平和稳定性。

本研究在两种功能连接模型下，分别进行了功能影像标志性脑区间相关关系和患者间相关关系的分析，试图找出造成两种功能连接模型在机器学习中分类性能差异的内在原因。根据计算发现，在各标志性脑区间相关关系的结果中(见表5、6)，两种模型的差异并不大，说明本研究发现的传统功能连接模型所表现的分类精度不稳定，与标志性脑区选择无关。在患者间依存关系分析中，Pearson 相关系数的数据在患者之间表现出较强的相关性(见图3)，平均相关系数为0.67；而功能连接特异性数据的样本间相关性则相对较小(见表4)，平均相关系数仅为0.28。这说明，患者间特征向量存在的多重共线性或是影响机器学习分类性能的内在原因。

3.4 本研究的局限性

在本研究中，用于机器学习分类的样本容量较小，这是根据机器学习在医学领域应用时临床数据不足所做出的小样本分类尝试，虽然取得的准确率较为理想，但仍面临泛化能力不足的困难。在通常情况下，增加训练集样本容量是提高机器学习分类效果的一个有效方法。目前不能肯定更多样本能否使本研究构建的功能连接特异性指数模型取得更好的分类效果，一切有待于进一步实验验证。

在用Pearson 相关的传统功能连接模型对脑功能进行分析的过程中，在将全脑功能连接系数投射到大脑上之后，可以粗略地从投射后的功能影像观察出患者发作侧与非发作侧的差异。但根据其标志性脑区提取特征向量并应用于机器学习分类时，分类准确率及稳定性并不理想。造成这一结果可能是由于患者的传统功能连接特征向量具有相似性，即存在多重共线性，这已在本研究的小样本实验中得以证实，有待在大样本的患者数据或多中心连接组学的健康人数据上进一步试验。

在病历证实的内侧颞叶癫痫的患者中，有13%的患者为结构阴性患者[38]。因此，结构阴性颞叶癫痫的定侧以及病灶定位目前仍是一个重要的研究领域，尚未取得可观成果，有待于笔者所建立的功能连接特异性指数模型推广至该领域研究之中。

4 结论

笔者以健康人连接组学为参照，提出了单个颞叶癫痫患者rfMRI 功能连接特异性指数模型，用于表征癫痫患者个体与健康人群组的脑功能连接差异，以突出表现癫痫患者大脑功能连接异常，并将其应用到对患者发作侧的定位中。通过与Pearson相关的传统功能连接模型进行比较，研究了功能连接模型在机器学习中的分类准确度和稳定性。基于连接组学的静息态功能磁共振功能连接特异性指数模型，在癫痫定侧的机器学习上表现出较强的鲁棒性，远优于Pearson 相关性的传统功能连接模型，特征向量之间具有较大的相关性可能是影响其稳定性的主要原因。本研究为颞叶癫痫患者静息态脑功能异常表征提供了一种新方法，并对机器学习在神经系统疾病诊断中应用提供了新思路。