Alai

Úvod

Intrakraniální elektroencefalografie (IEEG) překonává mnohé fyzikální limity skalpové elektroencefalografie (EEG) a magnetoencefalografie (MEG) tím, že zaznamenává signály přímo z mozkové tkáně. Rychlý pokrok v počítačovém zpracování v posledních desetiletích rozšířil softwarové a hardwarové kapacity a umožnil simultánní záznam ze stovek intrakraniálních míst s mikrosekundovou přesností. Toto zvýšení časového a prostorového rozlišení zvýšilo diagnostickou přesnost při lokalizaci záchvatů (Andrews et al., 2019; Cuello Oderiz et al., 2019) a vedlo k urychlení výzkumu lidské intrakraniální neurofyziologie (Chang, 2015; Parvizi a Kastner, 2018).

Společně s nově vznikajícími výpočetními nástroji a kapacitami pro analýzu masivních souborů dat je bohatství neurovědeckých možností a potenciálních objevů slibné. Analýza signálů na lidských intrakraniálních záznamech však s sebou nese neodmyslitelná úskalí, která jsou pravděpodobně řešena, ale minimálně uznávána v mnoha neurofyziologických studiích lidských pacientů – jmenovitě interiktální epileptiformní výboje (IED). IED jsou přechodné výbuchy aktivity produkované skupinami neuronů, které jsou patologicky propojeny v důsledku epilepsie, což má za následek zřetelné a výrazné průběhy během IEEG záznamů (obr. 1A). Tato Perspektiva upozorní na nebezpečí IED, potenciální dopady na běžné strategie analýzy a popíše běžné strategie, jak se jim vyhnout, aby rostoucí vlna objevů v lidské neurofyziologii pokračovala snad bez chybných kroků.

Podstata nebezpečí IED v lidské IEEG neurofyziologii

Jádro našeho názoru spočívá v tom, že paradigma lidské intrakraniální neurofyziologie vystavuje dobře míněné vědce riziku chybných výsledků v důsledku dvou hlavních faktorů:

(1) Elektrody jsou implantovány do oblastí lidského mozku, u nichž se má za to, že pravděpodobně odhalí neurofyziologické znaky epilepsie v iktálním i interiktálním kontextu – což jsou často ostré vlny s velkou amplitudou.

(2) Analýzy zpracování signálu, které se běžně používají pro lidskou neurofyziologii, jsou mimořádně citlivé na ostré velkoamplitudové průběhy popsané v bodě č. 1, které způsobují falešné výsledky.

Soubory dat IEEG proto běžně obsahují elektrické podpisy epilepsie, které představují riziko zkreslení výsledků, pokud jsou zahrnuty do běžných analýz signálu, jako je měření výkonu a koherence, a souvisejících metod, jako je výkonová fázová ko-modulace (Kramer a kol.), 2008). Jedním ze způsobů, jak tento problém zohlednit, je, že mnoho metod zpracování nervových signálů, jako jsou Fourierovy, Waveletovy a Hilbertovy analýzy, předpokládá sinusový datový substrát (van Drongelen, 2018). Konvolování vln s velkou amplitudou nebo ostrých výchylek (s velkou nebo dokonce malou amplitudou) proto předurčuje reprezentaci mnoha frekvencí, které mohou být do značné míry falešné, protože těmto prvkům tvaru vlny může odpovídat mnoho po sobě jdoucích sinusových funkcí. Na obrázcích 1B-D ukazujeme příklady toho, jak mohou IED tímto způsobem snadno zkreslovat neurofyziologické signály napříč běžně používanými spektrálními metodami Hilbertovy, Waveletovy a Fourierovy transformace. V nižších frekvenčních pásmech mohou ostré i pomalé vlnové složky IED vyvolat zvýšení výkonu v libovolné frekvenci, která odpovídá těmto rysům. Ve vyšších frekvenčních pásmech je tento nápadný nárůst výkonu v rozsáhlých úsecích souvislých frekvenčních úrovní ještě zřetelnější a lze jej označit jako zvonění nebo spektrální únik (Scheffer-Teixeira et al., 2013). To může být patrné v celém vysokém pásmu gama (50-200 Hz nebo jiném podobném rozsahu), což je znepokojující problém vzhledem k tomu, že mnoho neurofyziologických laboratoří využívá vysokou aktivitu gama vzhledem k její potenciální hodnotě jako náhražky lokální nervové aktivity (Ray et al., 2008). Příklad na obrázku 1H ukazuje, jak kumulativní zahrnutí (obrázky 1E-G) pokusů s hroty přidává falešnou variabilitu (riziko falešné negativity) nebo jinak ovlivňuje statistickou významnost (riziko falešné pozitivity).

Tento problém by mohl být rozšířenější než u záznamů EEG nebo MEG kvůli přímému kontaktu s nervovou tkání, který může zprostředkovat větší amplitudy hrotů a ostřejší výchylky, zejména v případě IED, což kontaminuje neurofyziologické analýzy. Kromě toho jsou intrakraniální elektrody specificky umístěny v oblastech, které jsou pravděpodobně klinicky spojeny s ohniskem epileptického záchvatu, což vede k silným a/nebo častým IED v některých souborech dat IEEG.

Anekdoticky by se většina výzkumníků v oblasti lidské neurofyziologie shodla na tom, že kontaminace dat IED je všeobecně známá, i když se její dopad může u některých typů analýz lišit (Meisler et al., 2019). Ve skutečnosti lze předpokládat, že mnoho výzkumných laboratoří má zavedeny strategie, jak tento problém obejít nebo alespoň minimalizovat. Při praktickém posouzení však může být tento problém a jeho potenciální důsledky mnohem rozšířenější, než se předpokládalo. Třetí komplikující faktor může ilustrovat, jak tomu tak může být:

(3) Výzkumní pracovníci v oblasti neurofyziologie (zejména ti na počátku praxe, jako jsou studenti a postdoktorandi) nemusí být přímo školeni v identifikaci IED nebo elektrických artefaktů. Kromě toho nemusí být v rámci standardního školení zakořeněno spektrum potenciálních morfologií IED a způsob, jakým lze očekávat, že jejich odlišné rysy budou kontaminovat analýzu signálu.

Další komplikací je překvapivě nízká shoda mezi posuzovateli při detekci IED, a to i mezi plně vyškolenými epileptology (Barkmeier et al..), 2012; Janca et al., 2015).

Strategie zacházení s IED

Při setkání s IED v datech existuje řada přístupů, které mohou, ale nemusí záviset na jejich rychlosti a prostorovém rozsahu (například výzkumník nemusí být nakloněn kurýrování a „čištění“ souboru dat pro jeden hrot za minutu, ale může pro 10 hrotů za minutu). Potenciální přístupy výzkumníků jsme destilovali do čtyř hlavních strategií. První z nich je ruční identifikace a odstranění všech pokusů nebo období, během nichž se vyskytují IED, zde označovaná jako strategie 1. Data jsou prověřována zkoumáním grafů zaznamenaných dat s určitým předzpracováním nebo bez něj (vrubová a/nebo pásmová filtrace) a segmenty dat, které obsahují IED, jsou označeny tak, aby všechny pokusy, které se s těmito segmenty překrývají, mohly být z analýz vynechány nebo převedeny na chybějící hodnoty.

Někteří výzkumní pracovníci absolvovali formální klinické školení ve čtení EEG/iEEG, ačkoli je to méně obvyklé u mnoha neklinických výzkumných pracovníků, kteří jsou školeni prostřednictvím postgraduálních vědeckých akademických oborů. Zatímco mnozí absolvovali buď didaktické školení a/nebo individuální školení o tom, jak identifikovat a odstranit IED pokusy ze souborů dat, někteří možná ne. Celou záležitost komplikuje fakt, že soubory dat IEEG nejsou zdaleka standardizované kvůli rozdílům v záznamu: uspořádání sítí generujících záchvaty se u každého pacienta liší, což má za následek různý počet elektrod, nemluvě o individuálních rozdílech v neuroanatomii a lateralitě implantace. Existují smíšené režimy kontaktů (mřížky, proužky, hloubky) s různou hustotou spolu s přizpůsobeným uspořádáním kanálů (montáže). Všechny tyto faktory vedou ke zvýšeným obtížím při interpretaci analýz IEEG, zejména pro ty, kteří neabsolvovali odpovídající školení (formální nebo neformální) pro identifikaci IED v těchto uspořádáních záznamu. A konečně, s prodlužující se dobou trvání záznamů klesá praktičnost strategie 1 z důvodu časových a pracovních omezení.

V posledních desetiletích byly vyvinuty počítačové algoritmy detekce hrotů, které mají novou generaci vědců vybavit účinnými a standardizovanými schopnostmi detekce hrotů, ušetřit čas a obejít lidské chyby. Použití detektorů IED a odstranění postižených pokusů/dat automatizovaným způsobem představuje další přístup, který budeme nazývat strategie 2. Naštěstí mají IED tendenci mít vlastnosti, které jsou pro mnoho algoritmů často podstatné: velkou amplitudu, ostré komponenty a někdy s patofyziologickými vysokofrekvenčními oscilacemi, které se v normálním mozku vyskytují méně často (i když viz Frauscher et al., 2018b). V ideálním případě algoritmus maximalizuje citlivost i specifičnost a zároveň snižuje nebo odstraňuje příspěvek (dohled, např. nastavení prahu) vyžadovaný od uživatele. Je však obtížné tento seznam přání zcela splnit, a proto bylo vyvinuto mnoho algoritmů využívajících různé automatizované a nesupervidované přístupy. Patří mezi ně derivace EEG (White et al., 2006), transformace délky čáry a výkonu (Esteller et al., 2001; Bergstrom et al., 2013), adaptivní směrované přenosové funkce (Wilke et al., 2009), prostorové filtry (Liu et al., 2015) a algoritmy pro porovnávání hrotů a šablon, jako je časoprostorová regrese (Tousseyn et al., 2014) a faktorizace nezáporných matic (Baud et al., 2018) a mnoho dalších přístupů. Všechny nástroje mají kompromisy v citlivosti a specifičnosti; žádný přístup neposkytuje 100% jistotu, což dále komplikuje neexistence spolehlivého lidského zlatého standardu. Konkrétně výše zmíněná špatná shoda mezi jednotlivci při manuální detekci mezi vysoce vyškolenými osobami a „kvantitativní šedá zóna“ malých pochybných IED, které mohou ignorovat, jsou zásadními výhradami pro testování algoritmů. A konečně, i když se téměř všechny nové metody porovnávají s manuální detekcí nebo s jednou jinou automatizovanou metodou, široké srovnání většiny nebo všech automatizovaných metod je obtížné kvůli technickým problémům při implementaci každé z nich postupně na dostatečně velkém souboru dat (Westover et al., 2017). Nicméně automatizované odstraňování interiktálních hrotů pomocí nesupervidovaných a/nebo supervidovaných přístupů může ušetřit čas, přiblížit se standardizaci a zlepšit kvalitu neurofyziologických dat.

V důsledku výhrad (a možných chyb) automatizovaných detekčních algoritmů mohou někteří výzkumníci, kteří je používají, váhat, zda tomuto mechanismu ponechat plnou volnost. Vzhledem k tomu, že přístupy automatické detekce mohou výrazně zvýšit efektivitu u většiny zjevných detekcí, je třetí strategií (strategie 3) hybridní přístup strategií 1 a 2, při kterém jsou automatické detekce také ručně prověřovány (často v tomto pořadí, i když lze použít i opačné pořadí nebo více iterací). Příkladem tohoto hybridu je použití distribucí morfologických rysů (např. sklon, míry síly atd.), na které lze aplikovat práh, a následná ruční kontrola potenciálních falešně pozitivních a/nebo negativních výsledků.

Vzhledem ke složitosti sběru těchto cenných dat a jejich související vzácnosti je nevýhodou společnou strategiím 1, 2 nebo 3 to, že odstranění pokusů snižuje statistickou sílu. V souladu s tím další předpojatost – ponechání většího počtu zkoušek – umožňuje zavést více potenciálních výsledků falešných signálů, což zvyšuje riziko falešně negativních a pozitivních výsledků, jak je popsáno výše.

Preference ponechání co největšího počtu zkoušek zavádí jinou strategii pro řešení IED: agnosticismus, při kterém se IED ignorují (nehodnotí) a neodstraňují se žádné zkoušky (strategie 4). Lze přirozeně předpokládat, že údaje postižené IED budou natolik řídké a náhodné, že postižené časové body splynou s pozadím zprůměrovaného signálu, čímž se zvýší variabilita, ale nedojde k výraznému zkreslení výsledků. Mezitím by z analýzy snad vyplynuly neurofyziologické znaky související s úkolem a převládly by, pokud by byly přítomny, díky své konzistenci napříč pokusy. Jako problém odstupu signálu od šumu může tento předpoklad platit pro málo časté IED, zejména při silné velikosti experimentálního účinku (i když lze doporučit další bezpečnostní vrstvu spočívající v použití neparametrické statistiky). Častější (obr. 1E-H) a/nebo větší či ostřejší IED však mohou tento přístup zpochybnit. Přesto je vždy upřednostňována robustní statistická síla, která často vyžaduje velký počet studií, jichž je pravděpodobněji dosaženo při agnostickém přístupu strategie 4, zejména v případě jemné velikosti účinku. Ve skutečnosti jedna nedávná studie (Meisler et al., 2019) formálně posuzovala, zda manuální, automatizované nebo žádné odstraňování IED ovlivnilo jejich neurofyziologické nálezy v úloze epizodické paměti – nezjistili žádný jasný účinek žádného přístupu, ačkoli zdůraznili důležitost dostatečného počtu pokusů. V souvislosti s tím novější analýzy strojového učení vyžadují k vytvoření přesných modelů velké objemy tréninkových dat – ty se spolu s přístupy hlubokého učení mohou naučit rozlišovat mezi normálními neurofyziologickými signály a patologickými průběhy IED, pokud jsou předchozí tréninková data přesně označena (často ručně). Agnostická strategie má tedy určitou přitažlivost (včetně nízké náročnosti) a mohla by být dobrým výchozím řešením pro některé studie za předpokladu, že je k dispozici dostatek dat pro její použití.

Současná praxe mezi výzkumníky IEEG

S ohledem na tyto různé obecné strategie, jak v současné době pracují výzkumníci v oblasti lidské neurofyziologie s IED? Tuto otázku „současných postupů“ jsme posuzovali tak, že jsme nejprve shrnuli, jak výzkumníci popisují své metody v publikované literatuře. Prohledali jsme PubMed pomocí dvou širokých dotazů: (intrakraniální AND eeg; elektrokortikografie) a výsledky jsme filtrovali tak, aby zahrnovaly pouze studie publikované v roce 2018. Výsledky vyhledávání jsme omezili zkoumáním každého článku (613 unikátních článků) a zahrnuli jsme pouze ty, které měřily intrakraniální neurofyziologické signály u lidí a zdálo se, že vyvozují závěry týkající se normální neurofyziologie (celkem 91). Ačkoli tyto podmínky vyhledávání nejsou vyčerpávající, poskytují současný přehled o různých skupinách po celém světě, které studují normální lidskou neurofyziologii in vivo. Zjistili jsme, že většina těchto publikací odkazovala na použití manuálních metod (obr. 2A), včetně přímé identifikace IED, nebo na podobný (avšak konzervativnější) přístup spočívající v identifikaci a vyloučení elektrod, které zakrývaly ložiska záchvatů. Méně než 5 % rukopisů použilo plně automatizované metody a žádný ze zahrnutých článků nepoužil agnostický přístup (strategie 4). Náš vzorek zahrnutých článků byl opět omezený a tyto výsledky nemusí plně reprezentovat danou oblast.

Vzhledem k tomu, že se zdálo, že metody manipulace s IED nejsou v mnoha článcích podrobně popsány, vyhodnotili jsme dále naši otázku „Současné postupy“ vypracováním anonymního průzkumu. Tento průzkum (přibližně ~2 minuty) se skládal z otázek týkajících se úrovně kariéry, zda jsou obeznámeni s IED v IEEG a zda mají formální nebo neformální či žádné školení o identifikaci a odstraňování IED, spolu s výběrem, kterou z výše uvedených strategií (1-4) mají tendenci používat (nebo jinou). Uvedeným korespondujícím autorům výše popsaných článků (celkem 79, protože některé články se překrývaly nebo měly více korespondujících autorů) jsme zaslali e-mail s žádostí o dobrovolnou účast, která by byla anonymizovaná (vyňata z požadavků IRB podle UCSF IRB Office). Požádali jsme tyto osoby, aby průzkum přeposlaly také dalším kolegům a spolupracovníkům.

Obdrželi jsme 44% míru odpovědí, přičemž respondenti průzkumu měli větší váhu než postdoktorandi a členové fakulty, což bylo pravděpodobně způsobeno zkreslením výběru vzorku prostřednictvím zaslání e-mailu populaci korespondujících autorů (obrázek 2B). Za zmínku stojí, že odpovědi těchto starších členů laboratoří mohou pravděpodobně reprezentovat praxi jejich laboratoří jako celku v oblasti jejich strategie IED, ačkoli to méně platí pro otázky týkající se znalosti IED a školení. Všichni respondenti uvedli, že jsou s IED obeznámeni, což je uklidňující výsledek, i když možná ovlivněný povahou průzkumu. Co se týče školení o rozpoznávání IED a způsobu (způsobech) manipulace s nimi, většina byla vyškolena neformálně (obrázek 2C) a někteří nebyli vyškoleni vůbec. Není překvapivé, že ti, kteří se označili za formálně vyškolené, byli mladší a starší pracovníci fakulty, což odpovídá klinickým požadavkům na úrovni stipendia pro formální školení EEG ve většině kontextů. Většina respondentů využívala buď manuální přístup, ať už samostatně, nebo jako hybrid manuálního a automatizovaného přístupu (strategie 1 a 3; obrázek 2D), což je podle očekávání obecně srovnatelné s přehledem literatury (obrázek 2A). Zajímavé je, že jsme nenašli žádný článek, který by výslovně uváděl použití strategie 4 („agnostický“), přestože se tak označilo 9 % respondentů, a začlenění automatizovaných metod (strategie 2 a 3) mělo v odpovědích průzkumu větší zastoupení (55 %) než přehled literatury (14 %). Tyto rozdíly by však mohly být vysvětleny zkreslením při podávání zpráv vzhledem k odlišnému kontextu rukopisných metod oproti přímému průzkumu a zkreslením při výběru vzorku (míra odpovědí na průzkum).

Další úvahy

Ačkoli se tento článek zaměřuje především na IED, nebezpečí a strategie zde popsané mohou a měly by být rozšířeny i na jiné elektrické nebo nefyziologické artefakty (pohyby kabelu, vyskočení elektrody, nasycení zesilovače atd.), protože mohou zahrnovat podobné ostré velkoamplitudové výchylky. Pokud jde o vyloučení kanálů, kanály s hojnými IED jsou obzvláště problematické pro automatizované metody, které se spoléhají na odhady pozadí. Kromě toho, pokud se má studovat normální neurofyziologie, měly by být tyto kanály a všechny kanály, o nichž je známo, že se nacházejí v poškozené tkáni, přímo vyloučeny (Frauscher et al., 2018a); tato praxe se projevila přibližně v jedné třetině rukopisů v našem přehledu literatury (obr. 2A).

Co se týče řádné experimentální kontroly, je často nanejvýš důležité, aby se značení IED provádělo při zaslepeném sledování událostí úlohy a experimentálních podmínek (nejvýznamnější pro manuální strategie 1 a 3), aby se zabránilo zkreslení, které by mohlo ovlivnit výsledky studie (např. odstranění pokusů s IED častěji z jedné podmínky než z jiné). Pokud jde o potenciální zmatky ve studiích založených na pokusech, často se předpokládá, že IED se vyskytují nepředvídatelně, dokonce až náhodně: tento předpoklad je výhodný, pokud se IED v datech ponechají (strategie 4), protože falešně pozitivní a negativní výsledky by se snížily díky průměrování pokusů, které zlepšuje poměr neurofyziologického signálu k šumu. Je však třeba poznamenat, že načasování IED nemusí být v behaviorální úloze nutně náhodné. Byla popsána modulace načasování nebo množství IED v závislosti na úkolu (Matsumoto et al., 2013), což by mohlo potenciálně zmást výsledky tím, že by se v určitých úsecích pokusů přednostně vážily falešné výsledky více než v jiných. To by svědčilo proti použití strategie 4, i když opět může být problematická hádanka počtu pokusů a statistické síly, jak bylo uvedeno výše.

Nakonec, kromě důsledků pro zpracování signálu, stojí za zmínku, že IED mohou také přechodně narušit lokální nervovou dysfunkci oblasti, ve které se vyskytují (Krauss et al., 1997; Kleen et al., 2013; Horak et al., 2017; Ung et al., 2017). To by mohlo vést ke kognitivním chybám, které by mohly ovlivnit analýzy založené na pokusech a další analýzy, což představuje samostatný argument pro vyloučení pokusů s IED při vytváření závěrů týkajících se „normálního“ kognitivního zpracování.

Závěry

Zrychlení lidské intrakraniální neurofyziologie přináší velké vzrušení z nadcházejících objevů a možností, včetně rozšíření základních neurověd, zlepšení klinické terapie a vývoje rozhraní mozek-stroj. IED však představují úskalí falešných výsledků, kterým je obtížné se vyhnout vzhledem k povaze epileptické tkáně in vivo, z níž jsou data zaznamenávána. Je zapotřebí zvýšené ostražitosti, aby se předešlo IED v údajích, pokud je to vhodné, což lze zajistit zvážením a použitím výše uvedených strategií. Navrhujeme také, aby se výzkumní pracovníci na střední a vyšší úrovni pokusili zlepšit a zajistit ve svých laboratořích standardizované školicí prezentace nebo simulace metod identifikace, detekce a odstraňování IED. To vybaví mladší výzkumné pracovníky důležitým souborem dovedností, které jim umožní pochopit a konstruktivně přezkoumat vlastní údaje i údaje ostatních. Dále je třeba zlepšit vědeckou komunikaci (Suthana et al., 2018), takže rukopisy o běžné lidské neurofyziologii by měly jasně sdělovat přístup použitý pro zacházení s IED a jeho opodstatnění v kontextu jejich studie. Takové postupy zvýšené ostražitosti a jasné komunikace snad zlepší reprodukovatelnost, aby obor mohl pokračovat ve svém zrychlování bez předvídatelných komplikací.

Prohlášení o dostupnosti dat

Data z průzkumu v tomto článku lze stáhnout z doi: 10.5281/zenodo.3626105.

Etické prohlášení

Studie zahrnující lidské účastníky byly přezkoumány a schváleny Institutional Review Board Kalifornské univerzity v San Franciscu. V souladu s národní legislativou a institucionálními požadavky nebyl pro tuto studii vyžadován písemný informovaný souhlas s účastí.

Příspěvky autorů

SA a JK vypracovali koncept rukopisu, vytvořili a distribuovali průzkum, provedli rešerši literatury a napsali rukopis. ML a EC poskytli významnou zpětnou vazbu a úpravy rukopisu. Všichni autoři si přečetli a schválili předložený rukopis.

Financování

SA byl financován z příplatku NIH Diversity Supplement pod číslem R01-DC012379. JK byl financován granty National Institutes of Health/National Institute of Neurological Disorders and Stroke (NIH/NINDS) R25NS070680 a K23NS110920. ML byl financován granty NIH R01-DC015504, F32-DC013486 a Kavliho institutem pro mozek a mysl a smlouvou DARPA N66001-17-2-4008. EC byl financován granty NIH (R01-DC012379, R00-NS065120 a DP2-OD00862) a fondem Esther A. and Joseph Klingenstein Fund.

Konflikt zájmů

Autoři prohlašují, že výzkum byl prováděn bez jakýchkoli komerčních nebo finančních vztahů, které by mohly být chápány jako potenciální střet zájmů.

Poděkování

Děkujeme Maxime Baudovi a Han Yi za jejich užitečné diskuse a připomínky během vývoje tohoto rukopisu.

.