Resumo Técnico: EpiLENS

Definição do Problema

A epilepsia resistente aos medicamentos (DRE) requer a localização precisa da zona epileptogênica (EZ) para o sucesso da neurocirurgia. Os métodos atuais de eletroencefalografia intracraniana (iEEG) enfrentam desafios significativos em ambientes multi-centros heterogêneos devido à variabilidade substancial entre pacientes, tipos de crises, layouts de implantação, sistemas de registro e centros clínicos.

As abordagens existentes dependem tipicamente de classificadores de canal com treinamento global. Esses métodos frequentemente falham porque assumem que valores eletrofisiológicos comparáveis retêm significados comparáveis entre diferentes pacientes. No entanto, dados multi-centros revelam que pontuações absolutas são frágeis devido a:

1. Heterogeneidade do Paciente: Diferenças nas escalas de características registradas e nos locais anatômicos específicos comparados contra cada canal.
2. Heterogeneidade das Crises: A evidência da EZ pode ocorrer consistentemente ou aparecer fortemente apenas em um subconjunto das crises de um paciente.
3. Desequilíbrio de Conjuntos: Canais anotados como EZ são tipicamente uma minoria dentro do conjunto implantado, o que faz com que a média de classificação seja insensível ao fato de o alvo específico do paciente subir ao topo da classificação.

Consequentemente, uma fronteira global tende a aprender diferenças de aquisição ou de implantação, em vez de anormalidades epileptogênicas específicas do paciente. O problema central é determinar se um contato é anormal em relação aos outros canais observados para o mesmo paciente, em vez de contra um valor universal de toda a coorte.

Metodologia: EpiLENS

Os autores propõem o EpiLENS, um framework colaborativo guiado por primazia e relativo ao paciente, projetado para a localização epileptogênica entre pacientes em iEEG multi-centro heterogêneo. O framework opera em uma estratégia de Localização de Evidência Dupla Conservadora (CDEL), que combina assimetricamente dois ramos treinados independentemente durante a inferência.

1. Construção de Evidência Relativa ao Paciente

Antes da modelagem, o sistema constrói evidência relativa ao paciente:

• Extração de Características: Nove descritores espectrais e de forma de onda são extraídos por canal e janela temporal.
• Visualizações Autorreferenciadas: Para cada canal, as características são transformadas em quatro visualizações relativas à própria linha de base pré-crise do canal (derivada de janelas de tempo negativo da mesma crise):
  1. Absoluta (ABS): Eletrofisiologia bruta.
  2. Diferença ($\Delta$REF): Desvio aditivo da linha de base.
  3. Padronizada ($Z$-$\Delta$): Desvio padronizado que considera a variabilidade natural.
  4. Log-Relativa (LOG-R): Mudança multiplicativa.
• Normalização: Estas visualizações são padronizadas dentro do conjunto implantado do paciente, garantindo que nenhum contato seja julgado contra uma escala universal.

2. A Arquitetura de Dois Ramos

O framework emprega dois ramos com topologia de codificador idêntica, mas parâmetros independentes:

• PRQ-Net (Rede de Quantil Relativa ao Paciente):

  • Papel: Serve como o classificador probabilístico primário.
  • Mecanismo: Agrega evidência recorrente entre crises. Crucialmente, utiliza uma correção de cauda inferior limitada (Q10). Em vez de uma simples agregação de média, que pode suprimir atividade do tipo EZ que aparece fortemente em apenas um subconjunto de crises, a PRQ-Net retém o percentil 10 das pontuações ao nível da crise.
  • Saída: Uma probabilidade relativa ao paciente de pertencer à Zona Não-Epileptogênica (NEZ).

• BCR-Net (Rede de Ranking de Cobertura de Fronteira):

  • Papel: Fornece evidência de ranking complementar.
  • Mecanismo: Foca a supervisão em duas falhas específicas: confusão próxima à fronteira EZ/NEZ e recuperação incompleta do conjunto EZ anotado.
    • Mineração de Fronteira: Identifica os canais EZ anotados mais fracos e os canais NEZ mais semelhantes à EZ para forçar a separação.
    • Cobertura: Penaliza canais EZ anotados que falham em entrar nas posições de maior ranking para aquele paciente.
  • Saída: Um logit orientado para a EZ usado para ranking.

3. Localização de Evidência Dupla Conservadora (CDEL)

Na inferência, os ramos são fundidos usando uma regra fixa e assimétrica:
$$p^{CDEL}_{ic} = 0.8 \cdot p^{PRQ}_{ic} + 0.2 \cdot p^{BCR}_{ic}$$
Onde $p^{PRQ}$ é a probabilidade primária de NEZ e $p^{BCR}$ é a probabilidade complementar derivada do logit da BCR-Net. Esta regra garante que a PRQ-Net permaneça como o driver primário enquanto a BCR-Net contribui com evidência de ranking específica do paciente sem sobrepor o classificador primário. Os ramos são treinados independentemente, sem uma função de perda conjunta.

Principais Contribuições

1. Framework EpiLENS: Um framework colaborativo guiado por primazia e relativo ao paciente para localização de EZ entre pacientes em iEEG multi-centro heterogêneo, abordando as limitações de classificadores globais.
2. Estratégia CDEL: Um mecanismo de fusão inovador que combina a evidência de quantil estável e relativa ao paciente da PRQ-Net com o ranking consciente de fronteira e cobertura da BCR-Net através de uma regra de fusão fixa e conservadora.
3. Avaliação Abrangente: Validação rigorosa em um coorte heterogêneo de quatro centros (80 pacientes, 256 crises, 7.635 canais) usando validação cruzada disjunta por paciente, testes entre crises e generalização de exclusão de um centro (leave-one-center-out).

Resultados Experimentais

O framework foi avaliado contra métodos clássicos baseados em características (Regressão Logística, SVM, Random Forest), baselines de iEEG bruto (SEEGNet, TimeConv-CNN, CLAP, SEEGformer) e controles relativos ao paciente.

• Desempenho: O EpiLENS (CDEL) alcançou o maior Macro-F1 (0.6371) e EZ-F1 (0.4485), superando o baseline mais forte (Regressão Logística com z-score por paciente) em +0.0306 no Macro-F1 e +0.0497 no EZ-F1.
• Redução de Viés: O método alcançou um Viés de Fração de EZ próximo de zero, indicando que as melhorias não foram devidas ao aumento ou redução sistemática do conjunto EZ previsto.
• Análise de Componentes:
  • A normalização relativa ao paciente foi identificada como o componente dominante; remover essa normalização reduziu o Macro-F1 de 0.6282 para 0.5550.
  • Os objetivos de fronteira e cobertura da BCR-Net forneceram ganhos de ranking complementares, melhorando significamente o EZ-AUPRC e o NDCG-EZ sobre a PRQ-Net isolada.
• Generalização:
  • Entre Crises: O desempenho melhorou com a inclusão de mais crises (1 vs. 2 vs. todas), confirmando o valor da agregação de registros repetidos.
  • Exclusão de um Centro (LOCO): O CDEL alcançou o maior Macro-F1 médio entre centros (0.6163) e o melhor resultado do pior centro (0.5773) entre quatro centros, demonstrando transferibilidade robusta para centros clínicos não vistos.

Significância e Alegações

O artigo afirma que a modelagem relativa ao paciente é uma estratégia eficaz para a localização de EZ entre pacientes. Ao mudar o quadro de referência de um valor universal da coorte para uma linha de base interna específica do paciente, o EpiLENS alinha a localização espacial com a forma como a evidência implantada é interpretada na prática clínica.

Os autores enfatem que o design proposto melhora consistentemente a localização, permanecendo robusto às variações em:

• Disponibilidade de crises (agregação entre crises).
• Centros de registro (generalização LOCO).
• Heterogeneidade de implantação e dispositivos.

O estudo conclui que a combinação de probabilidades estáveis relativas ao paciente (PRQ-Net) e o ranking complementar de fronteira/cobertura (BCR-Net) oferece um mecanismo coerente para lidar com a variabilidade inerente aos dados de iEEG multi-centro, sem exigir características de conectividade complexas ou representações de sinal bruto que se mostraram sensíveis às diferenças de registro neste contexto.