Graph-Based Approaches to Learning Epileptogenic Zone Localization Using Stereo-EEG Recordings
⭐ 8.7/10arXiv. 2026.
Daniel Wendelken, Brian Ervin, Ravindra Arya, Ali A. Minai
💡 一句话
系统对比多种图拓扑（密集、解剖/几何先验、预算剪枝、可学习稀疏化）在静息态 sEEG 上定位致痫灶的效果，提出 Region-Bridge-c 拓扑，用约 30% 边保留即以更少连接取得最高 PR-AUC。
📖 背景
致痫灶（EZ）定位是癫痫手术的核心，但人工判读 sEEG 耗时且依赖发作期记录；基于静息态功能连接的图学习模型是有吸引力的替代方案，然而其性能强烈依赖所选图拓扑，而拓扑选择长期被当作固定预处理，缺乏系统评估。
🔬 方法
在 40 例患者静息态 sEEG 上，用同一简单可学习模型 + 留一患者交叉验证（LOPO），对比密集图、解剖/几何信息先验、预算剪枝与可学习稀疏化（含提出的 Region-Bridge-c 拓扑）；通过固定每节点入边数、改变稀疏度做公平比较。
📊 关键结果
· 约 30% 边保留时 Region-Bridge-c 达到最高平均 PR-AUC 0.371±0.015、ROC-AUC 0.743±0.010，同时比 Dense 少用约 69% 的边 · Spatial-k 亦有竞争力，随机剪枝需接近密集保留才可用 · 可学习稀疏化受益于解剖节点元数据，但平均不优于最佳固定先验 · 最优拓扑在不同患者间存在差异，说明图构建应被显式评估而非当作固定预处理
🎯 意义与展望
为「sEEG 图学习定位 EZ」提供了可复现的拓扑比较基准，直接服务手术规划。局限在于单队列 40 例、静息态设定，发作期信息与更大规模多中心验证仍需后续工作。
🧭 点评
A 类，强烈建议精读。方向与「图神经网络 × 致痫灶定位」主线高度契合；LOPO 评估 + 边预算公平比较的方法学严谨，Region-Bridge-c「少边高效」的思路可直接迁移到你的网络建模。作者 Ravindra Arya（辛辛那提儿童医院）为 iEEG 临床权威。