A Neural Mass Modelling Framework for Evaluating EEG Source Localisation of Seizure Activity

Deze studie introduceert een reproduceerbaar simulatiekader op basis van neural mass-modellen om de beperkingen van bestaande EEG-bronlocalisatiemethoden bij epilepsie te evalueren, waarbij met name de nauwkeurigheid van de polariteitsherconstructie onder realistische omstandigheden als kritieke beperking wordt geïdentificeerd.

De kern

Stel je voor dat je probeert te horen waar in een groot, druk stadion een specifieke menigte begint te juichen, terwijl je alleen naar het geluid aan de buitenkant van het stadion luistert. Dat is precies wat artsen proberen te doen met EEG (een hersenscan met elektroden op het hoofd) tijdens een epileptische aanval. Ze willen weten waar in de hersenen de aanval begint, maar de signalen die ze meten zijn een rommelige mix van alle activiteit in de hersenen.

Deze paper is als het ware een simulatie-lab om te testen of de rekenmethodes die artsen gebruiken, wel goed zijn. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Onzichtbare Brand"

Hersenen zijn ingewikkeld. Als een epileptische aanval begint (een "hersenbrand"), verspreidt deze zich als een golf door het brein. De elektroden op het hoofd zien alleen de rook en de vlammen aan de buitenkant, maar niet precies waar het vuur begon of hoe het zich verplaatst.

• De uitdaging: Om te testen of een nieuwe manier om de brandlocatie te vinden werkt, heb je een "waarheid" nodig. Maar in het echt kun je niet zonder operatie precies zien wat er in het brein gebeurt. Dus, hoe test je of je methode goed is?

2. De Oplossing: Een Virtuele Brandweerschool

De auteurs van dit onderzoek hebben een virtuele wereld gebouwd.

• De Epileptor: Ze gebruikten een slim computermodel (de "Epileptor") dat werkt als een digitale brandweerman. Dit model weet precies hoe een epileptische aanval eruit moet zien, hoe hij begint en hoe hij zich verspreidt door een virtueel brein.
• Het Experiment: Ze lieten deze digitale aanval "branden" in een virtueel brein en berekenden vervolgens wat de elektroden aan de buitenkant zouden moeten zien. Omdat ze de aanval zelf hadden bedacht, weten ze precies waar het vuur begon (de "grondwahrheid").

3. De Test: De Rekenmethodes Op de Proef Gesteld

Vervolgens gaven ze deze virtuele EEG-data aan de bestaande rekenmethodes (de "detectives") en vroegen: "Waar denk jij dat de aanval begon?"
Ze testten dit onder verschillende omstandigheden, alsof je een brandweerman test in verschillende situaties:

• Ideale situatie: Veel elektroden (343 stuks) en geen ruis (geen statische op de radio).
• Realistische situatie: Weinig elektroden (zoals bij een gewone klinische meting) en veel ruis (zoals beweging van de patiënt).

4. Wat Vonden Ze? (De Resultaten)

Hier zijn de belangrijkste bevindingen, vertaald naar simpele termen:

• Locatie is goed, richting is slecht: De methodes waren best goed in het vinden van het gebied waar de aanval begon (zoals "het is in het noorden van het stadion"). Maar ze faalden vaak in het bepalen van de richting van de stroom (of de "polariteit").
  • Analogie: Het is alsof de brandweer zegt: "Het vuur is in de keuken!" (goed), maar ze vergeten te zeggen of het vuur van boven naar beneden of van beneden naar boven vlamt. Voor het vinden van de plek is dat misschien prima, maar voor het begrijpen van hoe de aanval werkt, is die richting cruciaal.
• Meer elektroden = Beter beeld: Met weinig elektroden (zoals in een standaard ziekenhuisopstelling) was het beeld erg wazig. Met veel elektroden (een dichte net) konden ze de richting van de stroom veel beter zien.
• Het tijdstip telt: De rekenmethodes werkten het beste in het midden van de aanval.
  • Analogie: Als je probeert een foto te maken van een rennende hond, is het lastig om de hond vast te leggen op het moment dat hij net begint te rennen (te snel, wazig) of als hij bijna stopt (te chaotisch). Het beste moment is als hij in een stabiele loop is. Zo werkt het ook met epilepsie: in het midden van de aanval is het signaal het duidelijkst.

5. Waarom is dit belangrijk?

Deze studie laat zien dat de huidige methodes goed genoeg zijn om te zeggen "Hier zit het probleem, laten we dat weghalen" (chirurgie). Maar als we willen begrijpen waarom de aanval zich zo verspreidt en hoe het brein zich organiseert, zijn de huidige methodes nog niet goed genoeg. Ze zien de "waarheid" niet helemaal scherp, vooral niet in realistische, rommelige situaties.

Conclusie in één zin:
De auteurs hebben een perfecte digitale testbaan gebouwd om te laten zien dat onze huidige "hersen-detectives" goed zijn in het vinden van de plek van een epileptische aanval, maar dat ze moeite hebben om de richting en de fijne details te zien, vooral als de meting niet perfect is. Dit helpt wetenschappers om betere methodes te ontwikkelen voor de toekomst.

Technische samenvatting

Probleemstelling

Elektro-encefalografie (EEG) en magneto-encefalografie (MEG) bieden niet-invasieve metingen van grootschalige neurale activiteit, maar deze metingen zijn een gewogen som van bronnen en onthullen niet direct de onderliggende corticale oorsprong. Bronlocalisatie-algoritmen worden gebruikt om deze bronnen te reconstrueren, maar hun objectieve evaluatie blijft een uitdaging vanwege het ontbreken van een experimenteel verifieerbare "ground truth" (waarheid) bij menselijke proefpersonen. Bestaande studies gebruiken vaak vereenvoudigde bronconfiguraties (één of enkele bronnen), wat de biologische complexiteit van het brein niet adequately weergeeft. Het brein is een sterk verweven, hiërarchisch systeem dat ritmische en golfachtige activiteit produceert met complexere ruimtelijke patronen dan de huidige testsets toelaten.

Methodologie

De auteurs hebben een nieuw simulatiekader ontwikkeld om biologisch plausibele ictale (aanval) dynamiek en de bijbehorende EEG-signalen te genereren, waarmee systematische benchmarks mogelijk worden gemaakt.

1. Neurale Massa Modellen (Epileptor):

   • De studie gebruikt het Epileptor-model, een fenomenologisch dynamisch model dat bekend staat om het succesvol simuleren van epileptische aanvallen.
   • In plaats van één enkel model, werden netwerk-gekoppelde Epileptor-modellen gebruikt. Het brein werd geparcelleerd in 1019 regio's (1000 corticale regio's volgens de Yan 1000 atlas + 19 subcorticale structuren).
   • Elke regio werd gemodelleerd als een neurale massa. De koppeling tussen deze massa's werd bepaald door de structurele connectiviteit (connectome) van een specifiek subject uit het Human Connectome Project (HCP), inclusief axonale vertragingen op basis van witte-stofbundel lengtes.
   • Er werden 2038 simulaties gegenereerd door de 'epileptogene zone' (startpunt) en de globale koppelingssterkte ($g$) te variëren. Dit resulteerde in aanvallen die variëren van lokale activiteit tot volledige verspreiding over het hele brein.

2. Forward Modeling (Voorwaartse Modellering):

   • De gegenereerde neurale activiteit (dipolen) werd omgezet naar sensorruimte (EEG) met behulp van de Boundary Element Method (BEM) via OpenMEEG.
   • Er werden drie verschillende elektrode-configuraties getest: 10-20 (21 elektroden), 10-10 (88 elektroden) en 10-05 (339 elektroden).
   • Ruis werd toegevoegd met verschillende signaal-ruisverhoudingen (SNR: geen ruis, 10 dB, en 3 dB) om realistische meetomstandigheden te simuleren.

3. Inverse Probleem Oplossing (Bronlocalisatie):

   • De gegenereerde datasets werden gebruikt om vier gevestigde bronlocalisatie-algoritmen uit de Minimum Norm (MN)-familie te evalueren:
     • MNE: Klassieke minimum L2-norm schatting.
     • dSPM: MNE met post-hoc ruisnormalisatie.
     • sLORETA: MNE met normalisatie van de broncovariantie.
     • eLORETA: MNE met gewichting voor minimale localisatiefout.
   • De prestaties werden geëvalueerd met een reeks metrieken, waaronder Cosine Score, Gemiddelde Kwadratische Fout (MSE), Variance Explained ($R^2$) en Region Localisation Error (RLE).

Belangrijkste Bijdragen

• Biologisch Gedreven Benchmark: Het introduceren van een reproduceerbaar testkader dat gebruikmaakt van gekoppelde neurale massa-modellen in plaats van vereenvoudigde, statische bronnen. Dit biedt een realistischere grondslag voor het testen van algoritmen.
• Systematische Evaluatie: Een uitgebreide analyse van hoe sensorruis, het aantal elektroden en de complexiteit van de bronverspreiding de prestaties van bestaande klinische algoritmen beïnvloeden.
• Inzicht in Polairiteit: Het blootleggen van een fundamentele beperking in huidige methoden: het vermogen om de polariteit (richting van de stroom) van bronnen correct te reconstrueren, zelfs wanneer de ruimtelijke locatie redelijk accuraat is.

Resultaten

1. Ruimtelijke Nauwkeurigheid vs. Polariteit:

   • Onder ideale omstandigheden (hoge dichtheid van elektroden, geen ruis) presteerden de algoritmen redelijk goed in het lokaliseren van de ruimtelijke positie van de bronnen (RLE van ongeveer 6 mm).
   • Echter, bij realistischere scenario's (minder elektroden, ruis) degradeerde de prestatie aanzienlijk. De belangrijkste oorzaak was het falen om de juiste polariteit van de bronnen te herstellen. Zelfs als de locatie goed was, was de richting van de dipool vaak verkeerd, wat leidde tot lage waarden voor "Variance Explained" en Cosine Score.

2. Invloed van Elektrodenaantal:

   • Alleen bij zeer hoge dichtheid (339 elektroden) konden de MN-familie methoden de polariteit betrouwbaar oplossen. Bij lagere dichtheden (21 of 88 elektroden) was dit niet mogelijk.

3. Tijdsafhankelijkheid:

   • De localisatiefout varieert tijdens de aanval. De mid-fase van de aanval (wanneer 50% van de maximale EEG-kracht is bereikt, vaak rond 10-20 seconden) biedt de meest stabiele en nauwkeurige localisatie.
   • In de vroege fase (recruitment) en late fase (verspreiding) is de localisatie onnauwkeuriger door snelle veranderingen in de bronconfiguratie en complexere propagatiepatronen.

4. Invloed van Oriëntatie:

   • Het toestaan van "losse" oriëntatie (waarbij dipolen niet strikt loodrecht op het cortexoppervlak hoeven te staan) verbeterde de prestaties. De auteurs concluderen echter dat het grootste deel van deze verbetering komt door het nemen van de absolute waarde (magnitude) van de schatting, in plaats van de extra vrijheidsgraden zelf. Dit suggereert dat het probleem meer te maken heeft met het herkennen van de tekenrichting dan met de exacte hoekafwijking.

Significantie en Conclusie

De studie concludeert dat bestaande bronlocalisatie-methoden (MN-familie) voldoende kunnen zijn voor het identificeren van epileptogene zones of het volgen van regionale rekrutering, zolang de focus ligt op ruimtelijke nauwkeurigheid. Echter, voor studies die gericht zijn op het begrijpen van de dynamiek van aanvallen, netwerkindeling en functionele connectiviteit, is de onnauwkeurigheid in het reconstrueren van de polariteit een kritieke beperking.

Het voorgestelde kader biedt een cruciale tussenstap voor de ontwikkeling van betere algoritmen voordat deze in de kliniek worden ingezet. Het benadrukt dat toekomstige methoden niet alleen moeten streven naar ruimtelijke precisie, maar ook naar het correct reconstrueren van de dynamische toestand en de richting van neurale stromen, vooral in realistische, ruizige meetomstandigheden.