对于70%的癫痫患者来说，药物可以控制癫痫发作。然而，他们不能治愈癫痫，大多数人需要继续服药。准确诊断癫痫类型(不仅仅是癫痫类型，因为大多数癫痫类型发生在不同类型的癫痫中)对于选择最佳治疗非常重要。

在过去的十年里，癫痫的治疗取得了长足的进步。现在癫痫药物的数量是10年前的两倍。研究人员已经对癫痫的病因有了更多的了解，并继续开发新的治疗方法，如神经刺激。

然而，在耐药性颞叶癫痫（TLE）中，对药物反应、手术结果和认知功能障碍的精确预测在个体层面上仍然具有挑战性。一个可能的解释是，主流的 "一刀切 "的群体层面的分析方法不允许解析疾病谱上的个体间差异。相反，分析病人之间的异质性被越来越多地认为是实现以人为本的护理的一个步骤。

在此，来自麦吉尔大学蒙特利尔神经研究所和医院麦康奈尔脑成像中心的专家利用无监督的机器学习，从3T多模态MRI特征（皮质厚度、海马体积、FLAIR、T1/FLAIR、扩散参数）中估计潜在的关系（或疾病因素），代表82名TLE患者的全脑结构病理学模式。评估了特殊的方法对年龄和性别匹配的健康人和有组织学证实的局灶性皮质发育不良的额叶癫痫患者群的特异性。

结果显示，共确定了四个潜在的疾病因素，它们在每个病人体内不同程度地共同表达，其特点是同侧海马微结构改变、髓鞘丢失和萎缩（因素-1），双侧旁脑和海马胶质增生（因素-2），双侧新皮质萎缩（因素-3），双侧白质微结构改变（因素-4）。Bootstrap分析和参数变化支持这些因素的高度稳定性和稳健性。

此外，它们在健康对照组中不表达，在疾病对照组中只表达得微不足道，支持了特异性。根据潜在疾病因素训练的监督分类器可预测76±3%的患者特定药物反应和88±2%的手术后发作结果，其表现优于不根据潜在因素信息操作的分类器。潜伏因子模型预测了认知功能障碍的患者间差异（言语智商：r = 0.40 ± 0.03；记忆力：r = 0.35 ± 0.03；顺序运动敲击：r = 0.36 ± 0.04），同样超过了基线学习者。

综上，疾病因素的数据驱动分析为个体间变异性的连续性提供了一个新的评价，这可能是由多种相互作用的病理过程决定的。

 

参考文献：

Decomposing MRI phenotypic heterogeneity in epilepsy: a step towards personalized classification, Brain, 2021;, awab425, https://doi.org/10.1093/brain/awab425