18F-FDG PET/MR-Based Individual Metabolic Network Analysis for Prognosis Assessment in Temporal and Extratemporal Lobe Refractory Epilepsy [RESEARCH]

預測顳葉外癲癇的手術預後，關鍵往往不在致電區本身的代謝高低，而在於全腦網路的節點特徵，其預測 AUC 高達 0.85。面對難治型癲癇，單純依賴常規影像的視覺判讀會低估遠端腦區的代謝重塑。本研究證明傳統肉眼看不見的網路連結強度，才是決定術後是否能達到無癲癇發作的決定性指標。

大腦右側角回異常與 ISMN 網路模型的導入

從放射科的臨床實務出發，難治型癲癇的術前評估極度仰賴影像定位，但仍有高達 30-40% 的患者在接受手術切除後出現復發。顳葉癲癇（TLE）與顳葉外癲癇（ETLE）的代謝異常通常不只侷限在單一腦葉，而是牽涉到大範圍的皮質與皮質下網路重組。以往我們在發布 PET/MR 報告時，多半只能描述局部 SUV 值的相對高低，很難精確量化大腦各皮質區之間的連動與代償關係。這導致部分代謝看似正常的區域，其實已經被納入異常放電的網路迴路中，進而成為術後復發的潛在未爆彈。

為了解決常規視覺判讀的極限，研究團隊導入了 ISMN（推算單一個體全腦代謝連結的網路模型）技術。這種基於圖論（Graph Theory）的分析方法，不再只看單一體素的絕對代謝值，而是藉由分析節點（特定腦區）與邊緣（腦區間的協同連結），試圖找出隱藏在葡萄糖代謝背後的同質性與異質性。透過將個體影像與健康常模對比，這項技術能精確定量代謝網路異常的範圍，並探索 TLE 與 ETLE 在生理病理學上的根本差異。

深入探討其背後的運作邏輯，這種個體化網路建構方式能捕捉到傳統群體平均分析（Group-level analysis）所遺漏的微小變異。癲癇發作具有高度的個體差異，即便是同樣被歸類為 ETLE 的患者，其致電區蔓延的路徑也可能南轅北轍。因此，將評估單位從「群體統計」拉回「個體網路」，不僅符合精準醫療的趨勢，更能直接將影像特徵連結到個別患者的手術預後評估上。

納入 140 例影像與 AAL3 圖譜的節點萃取方法

把焦點轉向研究設計細節，這是一項嚴謹的回顧性分析，共納入 140 位受試者。病患組包含經手術與病理證實的 TLE 患者 39 例與 ETLE 患者 33 例，所有人都接受了同步 18F-FDG PET/MR 掃描。為了建立穩定的基準線，研究同時納入 68 位健康對照組（HC），並將其策略性地拆分為參考組（n=46，用來建構常模參考網路）與控制組（n=22，用來進行獨立驗證）。病患組的預後判定標準十分嚴格，以術後是否達到 Engel Class I（完全無癲癇發作）作為分類依據。

在影像前處理與特徵萃取上，作者使用了 AAL3（劃分一百七十個腦區的標準解剖圖譜）進行空間對位。這個新版圖譜的優勢在於將視丘與基底核等深部灰質結構進行了更細緻的次分區，例如細分出 tAV（視丘前腹側核）與 tPul（視丘外側丘腦枕）等與癲癇傳導高度相關的區域。系統首先計算每個區域的 SUVR（以全腦均值為分母的標準化攝取比值），接著利用相對距離等數學轉換，將每位患者的局部代謝特徵與參考組進行比對，從而生成每位患者專屬的 ISMN 矩陣。

完成網路建構後，研究團隊提取了多項關鍵的拓樸學指標。在節點特徵方面，主要計算「節點度（Degree）」，代表某個腦區與其他腦區產生異常共變異的數量；在邊緣特徵方面，則計算特定兩腦區之間連結權重的增減。最後，將這些龐大且高維度的網路特徵，輸入到線性分類器 SVM（利用高維度特徵畫出最佳分類線的演算法）中，藉由十折交叉驗證（10-fold cross-validation）來訓練並測試其預測術後預後的準確度。

Figure 2 顯示兩組在顳極邊緣連結的 45% 降幅

若細看論文正文中的 Figure 2，可以明確看到 TLE 與 ETLE 在全腦代謝網路上有著高度一致的同質性變化。兩組患者在右側角回（AG）與下顳回（ITG）的節點度皆呈現顯著上升趨勢，其異常連結數量較健康控制組高出約 2.4 倍（p < 0.01）。這種右側大腦半球的顯著變異，強烈暗示了即使原發致電區不同，大腦在長期承受異常放電與抗癲癇藥物（AED）作用下，都會徵用預設模式網路（DMN）的後側樞紐進行代償。

然而，在邊緣特徵的分析上，網路呈現出明顯的斷鏈現象。Figure 3 的腦部 3D 網路圖顯示，TLE 與 ETLE 兩組皆在右側前腹側顳區與顳極（mTP）之間出現顯著的連結減弱，其邊緣權重降幅平均達到 45%。顳極作為邊緣系統與新皮質之間的資訊中繼站，其代謝同步性的喪失，反映了癲癇網絡中長距離白質傳導路徑的功能性退化。這種共同的病理生理機制，解釋了為何許多 ETLE 患者在臨床表現上，會出現類似 TLE 的認知與記憶功能障礙。

進一步對比兩組的異質性，Table 2 詳盡列出了節點與邊緣異常的空間分佈比例。數據指出，ETLE 患者的 ISMN 變異範圍顯著廣於 TLE，且其網路指標的標準差（代表個體間的波動程度）高出 TLE 約 1.8 倍。這與 ETLE 在臨床上致電區位置多變、發作型態複雜的特性完全吻合。相對而言，TLE 的代謝異常多集中在同側的杏仁核、海馬迴（pHIP）與顳中回（MTG），呈現出較為限局且結構化的網路破壞模式。

Table 3 預後預測中 TLE 與 ETLE 的 AUC 差異

整篇研究最具臨床指導意義的數據集中在 Table 3 的預測模型表現。當使用 SVM 預測患者術後是否能達到 Engel Class I 狀態時，實驗結果證明 TLE 與 ETLE 所依賴的網路特徵截然不同。對於 TLE 患者而言，邊緣特徵（腦區之間的代謝協同性）是決定預後的關鍵因子。模型單獨依賴邊緣特徵預測 TLE 手術成功的 AUC 來到 0.88 [95% CI 0.81–0.94]，其敏感度與特異度分別高達 85% 與 81%。

反觀 ETLE 患者的預測模型，結果出現了反直覺的數據走向。由於 ETLE 的致電區周邊網路重組更為混亂且缺乏固定路徑，邊緣特徵的預測力大幅下降；取而代之的是，節點特徵（單一腦區在網路中的樞紐地位與異常集中度）成為最強的預測指標。單獨使用節點特徵預測 ETLE 預後的 AUC 為 0.85 [95% CI 0.77–0.92]。這表示在評估 ETLE 時，找出網路中那些異常活躍的「超級節點」，比追蹤整條神經傳導路徑更有助於判斷手術是否能徹底清除致病源。

多變數分析的結果進一步鞏固了這些網路特徵的獨立預測價值。當研究者將患者的發病年齡、罹病時間、發作頻率以及是否有多重致電區等臨床變數納入模型後，單純依賴臨床特徵的基準 AUC 僅有 0.62。但當模型疊加了專屬的 ISMN 節點與邊緣特徵後，整體的預測準確率大幅躍升了 22% 至 26%。這項對比明確證實，PET/MR 衍生的高階網路數據，能提供臨床病史與常規影像無法涵蓋的深層病理資訊。

模型過度配適限制與 PET/MR 閱片的實務轉變

從嚴謹的學術角度審視，作者在討論環節也誠實點出了本研究的幾項限制。首先，回顧性設計加上相對受限的病患總數（72 例），使得 SVM 機器學習模型存在過度配適（overfitting）的潛在風險。其次，這是一項單中心研究，不同廠牌機型的 PET/MR 硬體差異、掃描參數設定以及部分體積效應（PVE）未進行全面校正，都可能導致網路特徵數值產生些微漂移。此外，ISMN 的運算極度依賴高品質的空間對位，若患者腦部有大範圍陳舊性手術空腔或嚴重萎縮，AAL3 圖譜的對位誤差將直接干擾特徵的準確性。

對於第一線的放射科醫師而言，我們短期內不一定能在工作站上直接一鍵產出這些複雜的網路矩陣與拓樸特徵，但這項研究的概念必須融入日常的閱片邏輯中。當我們在處理 ETLE 患者的 PET 影像時，視覺追蹤不應僅停留在額葉或頂葉的局部代謝低下區；如果我們注意到非致電區（特別是右側角回或下顳回）出現不對稱的代謝增高或異常活動，這極可能是患者全腦網路已經發生廣泛代償的警訊。

針對 TLE 的評估，我們同樣需要擴展觀察範圍。除了確認海馬迴的萎縮與代謝缺損外，應將視角延伸至前腹側顳區與顳極的協同狀態。如果這兩者之間的代謝梯度出現明顯斷層，意味著神經網路的破壞已經超越了單純的內側顳葉結構。將這些基於網路概念的觀察寫入報告中，能為癲癇外科醫師在評估切除範圍與預期療效時，提供更高維度的決策參考。

判讀難治型癲癇的 PET/MR 影像時，別只聚焦原發病灶的低代謝區；若右側角回或下顳回出現不尋常的代謝改變，請在報告中提示這可能是預後不良的全腦網路代償徵兆。