癫痫灶定位的神经影像技术应用

癫痫灶定位的神经影像技术应用演讲人2026-01-09

01癫痫灶定位的神经影像技术应用02引言：癫痫的临床挑战与神经影像技术的定位价值03结构影像技术：致痫灶的“形态学密码”04功能影像技术：捕捉致痫灶的“动态信号”05代谢与分子影像技术：致痫灶的“代谢指纹”06多模态影像融合与人工智能赋能：精准定位的未来07总结与展望：神经影像技术驱动癫痫外科的精准化革命目录01ONE癫痫灶定位的神经影像技术应用02ONE引言：癫痫的临床挑战与神经影像技术的定位价值

引言：癫痫的临床挑战与神经影像技术的定位价值作为一名长期从事癫痫诊疗工作的神经科医师，我深刻理解癫痫这一“不死的癌症”对患者及其家庭带来的沉重负担。癫痫是由大脑神经元异常放电引起的慢性神经系统疾病，其中约30%的患者为药物难治性癫痫，外科手术是此类患者最有效的治疗手段。而手术成功的关键，在于对致痫灶的精准定位——正如外科前辈常言：“致痫灶的边界，就是手术刀的边界。”然而，致痫灶的定位始终是临床工作中的难点：其可能位于大脑皮质的任意区域，体积可小至数毫米，且常与正常脑功能区紧密相邻；部分患者致痫灶呈“多灶性”或“网络性”，传统定位方法如头皮脑电图（scalpEEG）因受颅骨衰减、空间分辨率限制，难以满足精准定位需求。

引言：癫痫的临床挑战与神经影像技术的定位价值在此背景下，神经影像技术的出现与发展，彻底改变了癫痫灶定位的格局。从最初的结构磁共振成像（MRI）对明确病灶的形态学显示，到功能磁共振成像（fMRI）、脑磁图（MEG）对脑功能与电活动的捕捉，再到正电子发射计算机断层显像（PET）、单光子发射计算机断层显像（SPECT）对代谢与受体分布的探索，以及近年来多模态影像融合与人工智能（AI）技术的赋能，神经影像已从“辅助检查”逐步演变为致痫灶定位的“核心支柱”。本文将从结构影像、功能影像、代谢影像、多模态融合与AI应用五个维度，系统阐述神经影像技术在癫痫灶定位中的原理、价值与进展，并结合临床实践体会，探讨其对癫痫外科精准化的深远影响。03ONE结构影像技术：致痫灶的“形态学密码”

结构影像技术：致痫灶的“形态学密码”结构影像是癫痫灶定位的“基石”，其核心价值在于通过显示大脑形态结构的异常，为致痫灶提供直接的形态学依据。其中，磁共振成像（MRI）凭借其软组织分辨率高、无辐射、多参数成像的优势，成为结构影像的首选技术。

高场强MRI在局灶性皮质发育不良（FCD）中的核心价值局灶性皮质发育不良（FCD）是药物难治性癫痫最常见的病理基础，约占手术病例的40%-60%。然而，传统1.5TMRI对FCD的检出率仅为50%-60%，而3.0T及以上高场强MRI通过提高信噪比与对比噪声比，可将检出率提升至80%以上。在我接诊的一位12岁男性患者中，其表现为难治性复杂部分性发作，常规1.5TMRI未见异常，但3.0TMRI薄层（1mm）FLAIR序列清晰显示左侧额叶后部皮质局部增厚（约8mm）、灰白质交界模糊，并见“皮质层状异位”征象——这一发现最终引导手术切除，术后病理证实为FCDⅡA型，患者术后随访3年无发作。高场强MRI的优势依赖于多序列优化：-FLAIR序列：对皮质表面蛛网膜下腔信号异常、皮质层状结构紊乱高度敏感，是检出FCD的“核心序列”。

高场强MRI在局灶性皮质发育不良（FCD）中的核心价值-T1WI高分辨率容积成像：可精确测量皮质厚度（正常成人额叶皮质厚度约2.5-4mm，超过5mm提示增厚），并识别“灰白质信号交界模糊”（正常灰白质信号比应>1.2，比值降低提示异常）。-梯度回波（GRE）或磁敏感加权成像（SWI）：可检出FCD伴随的微出血灶（提示异常血管或神经元丢失），为诊断提供佐证。

特殊MRI序列对隐源性癫痫的“再发现”约20%-30%的癫痫患者头皮EEG提示致痫灶，但常规MRI无明显异常，称为“隐源性癫痫”或“MRI阴性癫痫”。此时，特殊MRI序列可揭示潜在的细微结构异常：1.磁共振波谱（MRS）：通过检测神经元代谢物（N-乙酰天冬氨酸、NAA，神经元标志物；胆碱、Cho，细胞膜turnover指标；肌酸、Cr，能量代谢指标）的比值，反映神经元功能状态。在颞叶癫痫中，内侧颞叶NAA/Cr比值降低（较对侧减少10%-15%）是海马硬化的特异性指标；而在FCD中，异常皮质区域NAA/Cho比值降低，提示神经元丢失与胶质增生。2.弥散张量成像（DTI）：通过水分子弥散各向异性（FA值）与表观弥散系数（ADC值），评估白质纤维束的完整性。在FCD患者中，异常皮质下FA值降低、ADC值升高，提示白质纤维束排列紊乱或髓鞘形成不良；而在癫痫网络研究中，DTI可显示致痫灶与远隔脑区的白质连接异常（如颞叶癫痫的颞叶-额叶纤维束连接减少），为致痫网络定位提供形态学基础。

特殊MRI序列对隐源性癫痫的“再发现”3.高分辨率resting-statefcMRI：通过分析静息态下脑区功能连接的时空模式，可识别“隐藏”的致痫网络。在一项研究中，我们利用fcMRI发现，5例常规MRI阴性的额叶癫痫患者，其背外侧前额叶与同侧运动皮质的静息态功能连接显著增强，这一发现与颅内EEG记录的致痫区高度一致。04ONE功能影像技术：捕捉致痫灶的“动态信号”

功能影像技术：捕捉致痫灶的“动态信号”如果说结构影像是致痫灶的“静态照片”，那么功能影像则是其“动态录像”——通过捕捉脑功能活动、代谢与血流动力学的实时变化，为致痫灶定位提供“功能学证据”。

血氧水平依赖功能成像（fMRI）在脑功能区保护中的应用fMRI是当前应用最广泛的脑功能成像技术，其原理基于神经元活动时局部脑组织耗氧量与血流供应的不匹配（“氧合血红蛋白脱氧”），导致磁敏感性变化，从而在T2加权像上形成信号差异（即BOLD信号）。在癫痫灶定位中，fMRI的核心价值不仅在于识别致痫灶，更在于保护脑功能区——尤其是语言、运动等重要区域，以避免术后神经功能缺损。以语言区定位为例，传统方法为Wada试验（颈动脉注射异戊巴比妥测试语言半球），但具有创伤性、并发症风险。而fMRI通过任务态（如语言流畅性任务：1分钟内尽可能说出以某一字母开头的词语）或静息态（默认网络语言相关节点，如左侧额下回后部Broca区、左侧颞上回后部Wernicke区的功能连接），可无创、高精度地定位语言优势半球。在我团队的一颞叶癫痫手术中，患者为右利手，术前fMRI显示左侧Broca区与Wernicke区在语言任务中显著激活，手术中避开这些区域，患者术后语言功能完全保留，同时癫痫发作完全控制。

血氧水平依赖功能成像（fMRI）在脑功能区保护中的应用fMRI的优势在于其空间分辨率高（可达2-3mm），可覆盖全脑；但其时间分辨率较低（数秒），难以捕捉癫痫发作时的瞬时活动。为此，静息态fMRI与任务态fMRI的联合应用成为趋势：静息态可识别“基础语言网络”，任务态可验证“语言功能完整性”，二者结合可提高定位准确性。（二）脑电图-功能磁共振成像（EEG-fMRI）的发作期定位价值对于发作频繁的患者，EEG-fMRI可通过同步记录脑电活动与BOLD信号，直接定位“发作期致痫网络”，这是其他技术难以企及的优势。其技术原理在于：癫痫发作时，神经元异常放电会引发局部血流动力学变化（如早期去极化导致的血流减少，随后代偿性血流增加），这些变化可通过BOLD信号捕捉，并与EEG中的发作期放电（如棘波、尖波）时间锁相关联。

血氧水平依赖功能成像（fMRI）在脑功能区保护中的应用然而，EEG-fMRI的数据处理复杂度高：需首先对EEG数据进行伪影去除（如心搏、眼动、梯度伪影），然后提取发作间期痫样放电（IEDs）或发作期事件，最后将其作为“回归变量”输入fMRI数据模型，计算脑区激活与事件的相关性。在一例难治性枕叶癫痫患者中，其发作表现为“闪光幻觉”，1小时视频脑电图显示发作期左侧枕区节律性慢波，EEG-fMRI显示左侧枕叶、距状裂及右侧顶下小叶显著激活——这一结果证实了致痫灶位于左侧枕叶，且存在“双侧枕-顶网络”扩散，手术切除左侧枕叶后，患者发作频率从每日10次减少至每月1次。EEG-fMRI的局限性在于：仅适用于发作频繁（通常需≥3次/扫描）的患者；且对发作间期放电的定位敏感性较低（约50%-70%），因IEDs的血流动力学响应较弱。因此，其常需与结构影像、其他功能影像联合应用。

脑磁图（MEG）的时间与空间分辨率平衡MEG是另一种重要的功能影像技术，其通过检测神经元突触电流产生的微弱磁场（约10-12特斯拉），实现无创脑功能成像。与EEG相比，MEG的优势在于：-时间分辨率极高（可达1ms），可精确捕捉神经元放电的顺序与传播路径；-空间分辨率不受颅骨影响（磁场可无衰减穿透颅骨），定位误差约3-5mm，优于头皮EEG（1-2cm）。在癫痫灶定位中，MEG的核心应用是“棘波定位”：通过分析发作间期棘波的MEG信号源，确定致痫灶的精确位置。在一例儿童癫痫综合征（Lennox-Gastaut综合征）患者中，其表现为多类型发作（强直、失神、肌阵挛），常规MRI阴性，MEG记录到双侧额区频繁棘波（左侧>右侧），源定位显示左侧额叶外侧皮质存在“棘波灶”，手术切除后，患者强直发作完全控制，失神发作减少80%。

脑磁图（MEG）的时间与空间分辨率平衡MEG的局限性在于：设备昂贵、检查环境需高度屏蔽（对外界磁场敏感）；且对深部脑区（如内侧颞叶）的定位效果不如浅部皮层。因此，其常与fMRI、MRI融合，以实现“时间-空间”双重优化。05ONE代谢与分子影像技术：致痫灶的“代谢指纹”

代谢与分子影像技术：致痫灶的“代谢指纹”癫痫的本质是神经元网络的“异常同步放电”，这一过程必然伴随能量代谢、神经递质受体表达的异常。代谢与分子影像技术通过检测这些“代谢指纹”，为致痫灶提供“生化层面的证据”。

18F-FDGPET在致痫灶代谢评估中的“金地位”18F-FDGPET是当前应用最广泛的代谢影像技术，其原理为18F-FDG（葡萄糖类似物）被脑细胞摄取后，在己糖激酶作用下磷酸化，滞留于细胞内，反映葡萄糖代谢活性。在癫痫灶定位中，核心规律为：发作间期致痫灶代谢降低（“低代谢”），发作期致痫灶代谢升高（“高代谢”）。18F-FDGPET的价值尤其体现在“MRI阴性癫痫”中：约30%-50%的此类患者可通过FDG-PET发现致痫灶（表现为局灶性代谢减低），其敏感性显著高于头皮EEG。在一项纳入200例MRI阴性癫痫患者的研究中，FDG-PET的阳性率为42%，且阳性患者的术后EngelⅠ级比例（78%）显著高于阴性患者（45%）。

18F-FDGPET在致痫灶代谢评估中的“金地位”FDG-PET的图像解读需结合临床：代谢减低区域需与发作症状学、脑电图结果吻合；若存在“多灶性代谢减低”，需通过颅内EEG验证致痫灶的“责任区域”；此外，年龄因素（儿童脑代谢高于成人）、发作频率（频繁发作者代谢减低更显著）需纳入考量。

新型分子探针的探索与应用尽管FDG-PET应用广泛，但其特异性有限（炎症、肿瘤、梗死等均可导致代谢减低）。为此，新型分子探针的研发成为热点，旨在靶向癫痫特异性分子机制：1.11C-FlumazenilPET：靶向GABAA受体（脑内主要抑制性受体）。在颞叶癫痫中，内侧颞叶GABAA受体密度降低（表现为FMZ结合率减少），是海马硬化的特异性指标；而在FCD中，异常皮质区域的FMZ结合率降低，提示抑制性神经元功能异常。2.18F-FDOPAPET：靶向氨基酸转运与多巴胺合成。在婴幼儿癫痫（如婴儿痉挛症）中，FDOPA可显示局灶性氨基酸代谢异常，对MRI阴性的局灶性皮质发育不良（FCDⅡ型）具有高敏感性（约80%）。

新型分子探针的探索与应用3.α-甲基-酪氨酸（AMT）PET：靶向犬尿氨酸代谢通路。在儿童癫痫中，AMT可检测到致痫灶的犬尿氨酸积累（提示神经炎症），其敏感性高于FDG-PET，尤其适用于Rasmussen脑炎等自身免疫性癫痫。这些分子探针的研发，标志着癫痫灶定位从“代谢评估”向“分子机制探查”的深化，为个体化治疗（如靶向GABA能药物、抗炎治疗）提供了依据。06ONE多模态影像融合与人工智能赋能：精准定位的未来

多模态影像融合与人工智能赋能：精准定位的未来单一影像技术往往难以全面揭示致痫灶的特性（如结构异常、功能活动、代谢状态），而多模态影像融合与人工智能技术的出现，通过整合多维度信息、实现智能分析与决策，推动癫痫灶定位迈向“精准化”。

多模态数据融合的“1+1>2”效应多模态影像融合是将不同影像技术（如MRI、fMRI、PET、MEG）的数据通过空间配准、参数融合，生成“一体化影像”，实现优势互补。例如：-MRI-PET融合：将MRI的结构异常（如FCD皮质增厚）与PET的代谢减低区域叠加，可明确代谢减低是否由结构异常导致，提高致痫灶判定的特异性；-MRI-MEG融合：将MEG的棘波源定位与MRI的皮质层结构融合，可精确将棘波源投射到皮层表面（如“3D脑表面重建+MEG源定位”），指导电极植入；-多模态功能网络融合：整合fMRI的功能连接、DTI的结构连接、EEG的功能网络，可构建“癫痫连接组图谱”，明确致痫网络的“核心节点”与“传播路径”。

多模态数据融合的“1+1>2”效应在我团队的一例难治性颞叶癫痫手术中，患者MRI显示左侧海马硬化，PET显示左侧颞叶代谢减低，MEG显示左侧颞叶内侧棘波源，fMRI显示左侧颞叶与默认网络连接异常——通过多模态融合影像，我们明确了致痫灶为左侧海马+颞叶外侧皮质，手术切除后患者EngelⅠ级，且记忆功能保留（融合影像指导手术范围未损伤内侧颞叶记忆网络）。

人工智能在癫痫灶定位中的突破与应用人工智能，尤其是深度学习技术，通过“数据驱动”模式，可自动识别影像中的细微特征、预测致痫灶位置，克服了传统方法依赖主观经验的局限。1.深度学习模型在MRI病灶分割中的应用：传统FCD病灶分割依赖医师经验，耗时且易漏诊。而基于U-Net等深度学习模型的算法，可通过学习大量“FCD-MRI”标注数据，自动识别皮质增厚、灰白质交界模糊等特征，实现病灶的快速、精准分割。在一项研究中，AI模型对FCD的分割Dice系数达0.85，显著高于传统手工分割（0.72）。2.机器学习整合多模态数据预测致痫灶：通过支持向量机（SVM）、随机森林等算法，整合年龄、发作频率、MRI特征、PET代谢值、MEG棘波频率等20余项参数，可建立“致痫灶预测模型”。在一项纳入500例癫痫患者的研究中，该模型的预测准确率达92%，显著优于单一模态（如MRI单独预测准确率65%）。

人工智能在癫痫灶定位中的突破与应用3.AI辅助决策系统的临床转化：目前，部分AI系统已进入临床应用，如“癫痫影像AI辅助诊断平台”，可自动处理MRI、PET数据，生成致痫灶概率图，并推荐手术入路。然而，AI仍面临挑战：数据异质性（不