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

預測顳葉外癲癇（ETLE）的手術預後，單看代謝熱區範圍的準確率往往不到 65%，但只要改看局部代謝節點的中心性指標，預測成功率能直接拉高到 91%。這篇發表在 AJNR 的最新研究點出一個反直覺現象：比起傳統找尋單一代謝低下病灶的面積，大腦各區域間個別化代謝網路（ISMN）的拓樸特徵，才是決定病患術後能否真正擺脫癲癇發作的關鍵指標。

突破傳統 SUVR 盲區與 140 例受試者網路佈局

臨床判讀難治型癲癇的 18F-FDG PET 影像時，放射科醫師通常仰賴視覺評估或標準化攝取值比率（SUVR，測量局部腦區葡萄糖代謝相對於參考區的比例）來尋找發作間期的代謝低下區。然而，大腦是一個高度連結的系統，單一病灶的放電往往會引發遠端神經迴路的代謝重塑。作者團隊深知這個限制，因此引入了個別化代謝網路（ISMN，利用單一受試者各腦區代謝數值建構的連結圖譜）的技術，試圖從宏觀的網路層級抓出常規影像看不見的微觀病理變化。

從 Methods 的設計來看，研究團隊回溯性收集了接受手術切除的難治型癲癇患者臨床與 18F-FDG PET/MR 數據。這不是單純的群體比較，而是要求達到精準的個體預測。為了建立基準線，團隊納入 68 位健康對照組，並極具巧思地將其拆分為兩群：46 位作為參考組以建立常態代謝分佈矩陣，另外 22 位則作為對照組來驗證演算法的穩定性。這種切割方式有效避免了機器學習常見的過度擬合問題，確保後續擷取的網路特徵具有真實世界的重現性。

在患者分組方面，研究嚴格依照手術切除範圍與術後病理報告，結合立體定位腦電圖（SEEG，植入顱內電極精確定位癲癇放電起始點）的金標準，將患者分為顳葉癲癇（TLE，共 39 例）與顳葉外癲癇（ETLE，共 33 例）。所有患者均有明確的術後隨訪紀錄，預後評估採用 Engel 分級，將完全無發作（Engel I）定義為預後良好，其餘（Engel II-IV）歸為預後不佳。透過將每位患者的腦部劃分為多個感興趣區域（ROIs），研究者計算出專屬該名患者的 ISMN 節點（Node）與邊緣（Edge）特徵。

建立網路矩陣後，團隊不僅比較了 TLE、ETLE 與健康對照組之間的拓樸差異，更進一步探討這些網路特徵與抗癲癇藥物（AEDs，抑制腦部異常放電以控制癲癇發作的常規藥物）使用數量、癲癇病程等臨床變數的關聯。最終，他們將這些多維度的圖論數據輸入一個線性分類器，用以預測患者的手術結果，試圖釐清到底是哪些隱蔽的代謝連結決定了手術的成敗。

Table 1 臨床基準與手術病理的嚴格對照分析

把焦點拉到受試者的基本臨床特徵，Table 1 清楚展示了 TLE 與 ETLE 兩組病患的背景差異。在 39 例 TLE 患者中，平均年齡為 28.5 歲，平均癲癇病程長達 12.4 年；而 33 例 ETLE 患者的平均年齡為 26.2 歲，病程則為 11.8 年。兩組在性別比例、發病年齡與手術前的發作頻率上並沒有達到統計學上的顯著差異（p > 0.05），這為後續的影像特徵比較提供了一個相對公平的基礎。

然而，在術後預後的表現上，兩組開始出現分歧。TLE 組有 74%（29/39）的患者在術後達到 Engel I 的無發作狀態，而 ETLE 組僅有 61%（20/33）達到同樣的標準。這個預後上的落差，精準反映了神經外科在處理顳葉外癲癇時面臨的挑戰：ETLE 的致癇區往往界線模糊，且容易與重要功能區重疊，導致完全切除的難度大幅上升。這也正是為何需要更高階的 PET/MR 網路分析來輔助決策。

若細看多變數邏輯斯迴歸的結果，傳統臨床變數對於預測手術結果的效力其實相當疲軟。無論是發病年齡（OR = 1.02，95% CI 0.98–1.07）、病程長度（OR = 1.05，95% CI 0.99–1.12），還是術前使用的 AEDs 種類數量（OR = 1.15，95% CI 0.85–1.55），都未能成為獨立的預後預測因子。這意味著，光靠病史與常規臨床資料，放射科與神經內外科醫師根本無法準確判斷病患開刀後會不會復發，我們急需來自影像深層結構的量化指標。

此外，病理結果顯示，TLE 組以海馬迴硬化為主（佔 68%），而 ETLE 組的病理型態則呈現高度異質性，包含局部皮質發育不良（FCD）、神經膠質瘤或微小血管畸形等。這種病理上的異質性直接導致了代謝影像上的多樣化表現。這也暗示了，若單純依靠尋找低代謝的黑洞，在 ETLE 病患身上極容易產生偽陰性，因為並非所有的 ETLE 致癇區都會在發作間期表現出明顯的葡萄糖攝取下降。

Figure 2 揭示右側角回與顳極的代謝網路重塑

進入影像網路分析的核心，Figure 2 描繪了 TLE 與 ETLE 病患在 ISMN 拓樸結構上與健康對照組的顯著差異。一個非常出乎意料的發現是，儘管 TLE 和 ETLE 的致癇區位置大不相同，他們在全腦代謝網路上卻表現出高度重疊的代償或破壞機制。兩組病患在「右側角回（right angular gyrus）」與「下顳回（inferior temporal gyrus）」的節點分支度（Node Degree，代表一個腦區與其他腦區代謝連動的緊密程度）皆出現了顯著上升的現象（p < 0.01）。

右側角回作為預設模式網路（DMN）的重要樞紐，其代謝節點重要性的異常提升，可能反映了長期癲癇發作對大腦基礎認知網路的慢性重塑。患者的大腦為了維持日常功能，被迫動用這些關聯皮層來代償受損區域的代謝負荷。對於放射科醫師而言，當我們在 PET 影像上看到右側頂顳葉交界處的代謝活躍度相對保留甚至增強時，這可能不是正常的生理現象，而是長期癲癇帶來的網路重組特徵。

另一方面，邊緣（Edge）連通性的下降更是精準標示了疾病的破壞路徑。研究顯示，無論是 TLE 還是 ETLE，病患在「右側前腹側顳區」與「顳極」之間的邊緣連結權重均呈現顯著降低（p < 0.001）。這條路徑恰好是邊緣系統中傳遞情緒與記憶訊息的關鍵通道，其代謝同步性的喪失，完美對應了許多難治型癲癇患者常伴隨的記憶力衰退與認知功能障礙。這證明了 ISMN 技術確實能將抽象的臨床症狀具象化為可量測的影像數字。

相較於 TLE，ETLE 患者展現出更廣泛且變動劇烈的 ISMN 改變。ETLE 的網路異常不再侷限於顳葉或特定迴路，而是呈現跨腦葉的散發性連通性破壞。這種高度的拓樸異質性，使得 ETLE 的網路指標與臨床變數（如發作頻率、病程）產生了更強的統計相關性（r = -0.45，p < 0.01）。這也解釋了為什麼 ETLE 的致癇區在常規 MR 或單一 PET 切片上經常難以定位，因為其破壞的本質是系統性的網路失調，而非單點的結構病變。

Table 3 邊緣特徵主導 TLE 與節點特徵決定 ETLE

本研究最具臨床衝擊力的數據落在手術預後的機器學習預測上。Table 3 詳細列出了利用不同網路特徵訓練出的線性分類器表現。研究團隊發現，面對不同類型的癲癇，決定手術成敗的網路密碼截然不同。對於 TLE 患者而言，影響預後最深的是「邊緣特徵（Edge features）」；而對於 ETLE 患者，勝負的關鍵卻是「節點特徵（Node features）」。這種分流預測的概念，徹底顛覆了我們過去「一招打天下」的判讀習慣。

具體來看數字，在 TLE 組距中，若僅使用傳統臨床變數與單一腦區 SUVR 來預測是否能達到 Engel I，其接收者操作特徵曲線下面積（AUC）僅有 0.68 [95% CI 0.61–0.75]。但若導入 ISMN 的邊緣特徵（特別是顳極與海馬迴周邊的連結權重），線性分類器的 AUC 大幅飆升至 0.89 [95% CI 0.82–0.94]，敏感度達到 86%，特異度達到 81%。這代表 TLE 的致癇網絡是一個高度路徑依賴的系統，只要我們能精準找出並切除那些異常連結的傳遞路徑（Edges），患者就有極高的機率獲得治癒。

反觀 ETLE 組，邊緣特徵的預測力急劇下降（AUC 0.73 [95% CI 0.65–0.80]）。真正的決定性指標轉換為節點特徵（如節點中心性與分群係數）。當分類器使用 ETLE 專屬的節點特徵進行預測時，其 AUC 達到了驚人的 0.91 [95% CI 0.86–0.96]，敏感度高達 89%，特異度為 84%。這意味著 ETLE 的病理機制更像是大腦網路中出現了多個功能異常的「超級樞紐（Hubs）」，如果神經外科手術未能涵蓋或處理這些核心異常節點，即便切除大片皮質，癲癇網路依然能透過其他節點重新發動。

透過這個線性分類器，我們甚至能在術前就篩選出那些註定對常規切除手術反應不佳的患者。例如，若一個 ETLE 患者在對側半球出現極高的異常節點中心性（Degree Centrality > 基準線 2.5 個標準差），模型預測其術後復發率高達 85%。這類患者可能更適合接受神經調控治療（如迷走神經刺激或深層腦部刺激）而非大範圍的破壞性切除。這份數據實實在在地將 PET/MR 從「找病灶」的工具，升級為「制定手術策略」的導航儀。

臨床適用邊界與網路分析的報告實戰轉換

回歸臨床現實，Discussion 中作者也坦承了目前 ISMN 技術的幾項適用邊界。首先，這是一項單中心的回溯性研究，且 ETLE 的樣本量（33 例）雖然在高等級研究中已算難得，但仍無法進一步細分額葉、頂葉或枕葉癲癇的專屬網路特徵。不同腦葉的皮質結構與代謝基準本就不同，未來勢必需要更大規模的多中心數據來建立更細緻的解剖分區模型。此外，並非所有 ETLE 患者都有接受 SEEG 植入，部分僅靠皮質腦波圖（ECoG）定位，這在致癇區的空間界定上可能存在微小的誤差。

另一個無法忽略的干擾因素是抗癲癇藥物（AEDs）的長期效應。多種 AEDs 本身就會全面性抑制大腦的葡萄糖代謝。雖然研究已盡量控制變數，但藥物引起的瀰漫性代謝改變，仍有可能在個別化網路建構時放大或縮小了某些節點的權重。這也是為什麼作者強調，ISMN 分析不能脫離臨床脈絡單獨存在，它必須與患者的用藥史、發作型態以及高解析度結構性 MRI 進行綜合比對。

對我們放射科同儕而言，這篇研究傳遞了一個非常清晰的實戰指引：改變我們寫 18F-FDG PET 報告的思維。以往我們總是習慣在 Impression 寫下「左側顳葉見一局部代謝低下區，符合致癇灶表現」。但從明天開始，我們應該花更多心思去觀察那些「不在預期位置」的代謝變化。如果病患是 ETLE，請特別留意皮層上是否有異常凸出的高代謝或不對稱的代謝樞紐；如果病患是 TLE，則要注意顳極與腹側顳區的代謝對比是否消失。

總體來說，基於 18F-FDG PET/MR 的 ISMN 網路分析已經證明了其在難治型癲癇預後評估的強大潛力。它不僅揭示了 TLE 與 ETLE 截然不同的病理驅動機制，更提供了一套可量化的數字標準來輔助神經外科決策。隨著影像後處理軟體的普及，將這種網路拓樸指標融入常規報告系統，指日可待。

下次判讀難治型癲癇的 PET/MR，別只盯著代謝低落的黑洞；若在顳葉外癲癇看到遠端節點代謝活躍度異常飆高，請務必在報告提醒神外醫師評估術後復發的風險。