Alai

Introduktion

Intrakraniel elektroencefalografi (IEEG) overskrider mange fysiske begrænsninger for elektroencefalografi (EEG) og magnetoencefalografi (MEG) ved at optage signaler direkte fra hjernevæv. Hurtige fremskridt inden for computerbehandling i de seneste årtier har udvidet software- og hardwarekapaciteterne og muliggjort samtidige optagelser fra hundredvis af intrakranielle steder med mikrosekunders præcision. Disse stigninger i tidsmæssig og rumlig opløsning har forbedret den diagnostiske præcision for anfaldslokalisering (Andrews et al., 2019; Cuello Oderiz et al., 2019) og ført til en acceleration i human intrakraniel neurofysiologisk forskning (Chang, 2015; Parvizi og Kastner, 2018).

Langt sammen med nye beregningsværktøjer og kapaciteter til analyse af massive datasæt er rigdommen af neurovidenskabelige muligheder og potentielle opdagelser lovende. Signalanalyse på menneskelige intrakranielle optagelser medfører imidlertid iboende faldgruber, der formodentlig er behandlet, men minimalt anerkendt i mange neurofysiologiske undersøgelser af menneskelige patienter – nemlig interiktal epileptiform udladninger (IED’er). IED’er er forbigående udbrud af aktivitet produceret af grupper af neuroner, der er patologisk forbundet på grund af epilepsi, hvilket resulterer i tydelige og fremtrædende bølgeformer under IEEG-optagelser (Figur 1A). Dette perspektiv vil henlede opmærksomheden på IED-farer, potentielle virkninger på almindelige analysestrategier og beskrive almindelige strategier til at undgå dem, således at den voksende bølge af opdagelser inden for human neurofysiologi forhåbentlig fortsætter med at skride frem uden fejltrin.

Naturen af IED-risici i human IEEG-neurophysiologi

Den centrale pointe i vores synspunkt er, at paradigmet for human intrakraniel neurofysiologi udsætter velmenende forskere for risici for fejlagtige resultater på grund af to hovedfaktorer:

(1) Elektroder er implanteret i regioner af den menneskelige hjerne, der anses for sandsynlige til at afsløre neurofysiologiske signaturer af epilepsi i både iktal og interiktal kontekst – som ofte er skarpe bølgeformer med store amplituder.

(2) Signalbehandlingsanalyser, der almindeligvis anvendes til human neurofysiologi, er yderst følsomme over for de skarpe bølgeformer med stor amplitude, der er beskrevet i #1, og som forårsager falske resultater.

Det er derfor almindeligt, at IEEG-datasæt indeholder elektriske signaturer af epilepsi, der medfører risiko for forvrængede resultater, når de indgår i almindelige signalanalyser såsom effekt- og kohærensmålinger og relaterede metoder såsom effekt-fase co-modulation (Kramer et al, 2008). En måde at tage højde for dette problem på er, at mange neurale signalbehandlingsmetoder såsom Fourier-, Wavelet- og Hilbert-baserede analyser antager et sinusformet datasubstrat (van Drongelen, 2018). Konvolvering af bølger med stor amplitude eller skarpe afbøjninger (stor eller endog lille amplitude) prædisponerer derfor for repræsentationer af mange frekvenser, der kan være stort set falske, da mange på hinanden følgende sinusformede funktioner kan passe til disse elementer af bølgeformen. I figur 1B-D viser vi eksempler på, hvordan IED’er let kan misrepræsentere neurofysiologiske signaler på denne måde på tværs af almindeligt anvendte spektralmetoder af Hilbert-, Wavelet- og Fourier-transformationer. I lavere frekvensbånd kan både de skarpe og langsomme bølgekomponenter i IED’er fremkalde en effektforøgelse i enhver frekvens, der passer til disse træk. I højere frekvensbånd bliver denne markante effektstigning på tværs af store strækninger af kontinuerlige frekvensniveauer endnu mere tydelig og kan betegnes som en ringning eller spektral lækage (Scheffer-Teixeira et al., 2013). Dette kan være tydeligt over hele det høje gammabånd (50-200 Hz eller et andet lignende område), hvilket er et bekymrende problem, da mange neurofysiologiske laboratorier anvender høj gammaaktivitet på grund af dens potentielle værdi som et surrogat for lokal neural aktivitet (Ray et al., 2008). Eksemplet i figur 1H viser, hvordan kumulativ inddragelse (figur 1E-G) af forsøg med spikes tilføjer spurious variabilitet (risiko for falsk negativ) eller på anden måde påvirker den statistiske signifikans (risiko for falsk positiv).

Dette problem kan være mere gennemgribende end i EEG- eller MEG-optagelser på grund af direkte kontakt med neuralt væv, som kan formidle større spikeamplituder og skarpere afbøjninger, især i tilfælde af IED’er, hvilket forurener neurofysiologiske analyser. Desuden er intrakranielle elektroder specifikt placeret i regioner, der sandsynligvis er klinisk forbundet med det epileptiske anfaldsfokus, hvilket fører til stærke og/eller hyppige IED’er i nogle IEEG-datasæt.

Anekdotisk set vil de fleste forskere i human neurofysiologi være enige i, at datakontaminering af IED’er er almindelig kendt, selv om virkningen af dette kan variere for visse typer analyser (Meisler et al., 2019). Faktisk ville man forvente, at mange forskningslaboratorier har strategier på plads for at omgå eller i det mindste minimere dette problem. Men når det vurderes praktisk, kan dette problem og dets potentielle konsekvenser være langt mere gennemgribende end forventet. En tredje komplicerende faktor kan illustrere, hvordan dette kan være tilfældet:

(3) Neurofysiologiske forskere (især tidlige praktikanter som f.eks. studerende og postdocs) modtager måske ikke direkte uddannelse i identifikation af IED’er eller elektriske artefakter. Desuden er spektret af potentielle IED-morfologier, og hvordan deres forskellige træk kan forventes at forurene signalanalyser, måske ikke indarbejdet i standardtræning.

Som en yderligere komplikation er interbedømmelsesoverensstemmelsen for IED-detektion overraskende dårlig, selv blandt fuldt uddannede epileptologer (Barkmeier et al, 2012; Janca et al., 2015).

Strategier til håndtering af IED’er

Der er en række forskellige tilgange, når man støder på IED’er i data, som måske eller måske ikke afhænger af deres hastighed og rumlige omfang (for eksempel er en forsker måske ikke tilbøjelig til at kurere og “rense” et datasæt for en spike pr. minut, men måske for 10 spikes pr. minut). Vi har opdelt forskernes potentielle fremgangsmåder i fire hovedstrategier. Den første består i manuelt at identificere og fjerne alle forsøg eller perioder, hvor der forekommer IED’er, hvilket her betegnes som strategi 1. Dataene screenes igennem ved at undersøge plot af de registrerede data med eller uden en vis forbehandling (notch- og/eller båndpasfiltrering), og segmenter af data, der indeholder IED’er, markeres, således at eventuelle forsøg, der overlapper med disse segmenter, kan udelades fra analyserne eller konverteres til manglende værdier.

Visse forskere har modtaget formel klinisk uddannelse i aflæsning af EEG/iEEG, selv om dette er mindre almindeligt for mange ikke-kliniske forskere, der er uddannet gennem akademiske spor med akademisk uddannelse. Mens mange har modtaget enten didaktisk og/eller individuel uddannelse i, hvordan man identificerer og fjerner IED-forsøg fra datasæt, har nogle måske ikke. For at komplicere sagen er IEEG-datasæt langt fra standardiserede på grund af forskelle i optagelserne: layoutet af de anfaldsdannende netværk er forskelligt for hver patient, hvilket resulterer i et varierende antal elektroder, for ikke at nævne individuelle forskelle i neuroanatomi og lateraliteten af implantationen. Der er blandede kontaktformer (gitter, striber, dybder) af varierende tætheder sammen med en tilpasset rækkefølge af kanalerne (montager). Disse faktorer fører alle til øgede vanskeligheder ved fortolkningen af IEEG-analyser, især for dem, der ikke har modtaget tilstrækkelig uddannelse (formel eller uformel) til at identificere IED’er i disse optagelseslayouts. Endelig mindskes strategi 1 i takt med, at optagelsernes varighed øges, i praktisk anvendelighed på grund af tids- og indsatsbegrænsninger.

Der er i de seneste årtier blevet udviklet edb-baserede spike-detektionsalgoritmer for at udstyre den næste generation af forskere med effektive og standardiserede spike-detektionsevner, spare tid og omgå menneskelige fejl. Brugen af IED-detektorer og fjernelse af berørte forsøg/data på en automatiseret måde udgør en anden tilgang, som vi vil kalde strategi 2. Heldigvis har IED’er tendens til at have de træk, der ofte er fremtrædende for mange algoritmer: storamplitude, skarpe komponenter og til tider med patofysiologiske højfrekvente svingninger, der sjældnere forekommer i den normale hjerne (se dog Frauscher et al., 2018b). Ideelt set vil en algoritme maksimere både følsomhed og specificitet, mens den mindsker eller fjerner det bidrag (overvågning, såsom tærskelindstilling), der kræves af brugeren. Det er imidlertid vanskeligt at opfylde denne ønskeliste fuldstændigt, og derfor er mange algoritmer blevet udviklet ved hjælp af en række automatiserede og uovervågede tilgange. Disse omfatter EEG-afledninger (White et al., 2006), linjelængde- og effekttransformationer (Esteller et al., 2001; Bergstrom et al., 2013), adaptive dirigerede overførselsfunktioner (Wilke et al., 2009), rumlige filtre (Liu et al., 2015) og spike-template-matching-algoritmer såsom spatiotemporal regression (Tousseyn et al., 2014) og ikke-negativ matrixfaktorisering (Baud et al., 2018) blandt mange andre tilgange. Alle værktøjer har følsomhed og specificitet trade-offs; ingen tilgang giver 100% sikkerhed, og dette kompliceres yderligere af manglen på en pålidelig menneskelig guldstandard. Specifikt er den dårlige interbedømmelsesoverensstemmelse af manuel detektion blandt højtuddannede personer, der er nævnt ovenfor, og den “kvantitative gråzone” af små tvivlsomme IED’er, som de kan ignorere, grundlæggende forbehold for algoritmetestning. Endelig er næsten alle nye metoder sammenlignet med manuel detektion eller en anden automatiseret metode, men en bred sammenligning på tværs af de fleste eller alle automatiserede metoder er vanskelig på grund af de tekniske udfordringer ved at implementere hver enkelt af dem på et tilstrækkeligt stort datasæt (Westover et al., 2017). Ikke desto mindre kan den automatiserede fjernelse af interiktal spikes ved hjælp af uovervågede og/eller overvågede tilgange spare tid, nærme sig standardisering og forbedre neurofysiologiske datakvalitet.

Som følge af de forbehold (og potentielle fejlslutninger) af automatiserede detektionsalgoritmer kan nogle forskere, der anvender dem, tøve med at give fuld diskretion til denne mekanisme. Da automatiserede detektionstilgange kan øge effektiviteten drastisk for størstedelen af de åbenlyse detektioner, er en tredje strategi (strategi 3) en hybridtilgang af strategi 1 og 2, hvor de automatiserede detektioner også screenes manuelt (ofte i denne rækkefølge, selv om den modsatte rækkefølge eller flere gentagelser også kan anvendes). Et eksempel på denne hybrid er gennem brug af fordelinger af morfologiske træk (f.eks. hældning, effektmål osv.), som der kan anvendes en tærskelværdi på, efterfulgt af manuel inspektion for potentielle falske positive og/eller negative.

Givet kompleksiteten ved indsamling af disse værdifulde data og den dermed forbundne knaphed er en ulempe, der er fælles for Strategi 1, 2 eller 3, at fjernelse af forsøg reducerer den statistiske styrke. Følgelig giver en anden bias – i retning af at beholde flere forsøg – mulighed for at indføre flere potentielle falske signalresultater, hvilket øger risikoen for falske negative og positive resultater som beskrevet ovenfor.

Præferencen for at beholde så mange forsøg som muligt introducerer en anden strategi for håndtering af IED’er: agnosticisme, hvor IED’er ignoreres (ikke vurderes), og ingen forsøg fjernes (strategi 4). Man kan naturligvis antage, at data, der er ramt af IED’er, vil være sjældne og tilfældige nok til, at de berørte tidspunkter vil smelte ind i baggrunden af et gennemsnitligt signal og tilføje variabilitet, men ikke forvride resultaterne væsentligt. I mellemtiden vil de opgaverelaterede neurofysiologiske signaturer forhåbentlig fremgå af analysen og, hvis de er til stede, være fremherskende i kraft af deres konsistens på tværs af forsøgene. Som et signal/støjproblem kan denne antagelse være gyldig for sjældne IED’er, især med en stærk eksperimentel effektstørrelse (selv om det kan anbefales at anvende et ekstra sikkerhedslag af ikke-parametrisk statistik). Hyppigere (figur 1E-H) og/eller større eller skarpere IED’er kan imidlertid underminere denne tilgang. Ikke desto mindre er robust statistisk styrke altid at foretrække og kræver ofte et stort antal forsøg, som det er mere sandsynligt at opnå med den agnostiske tilgang i strategi 4, især for subtile effektstørrelser. Faktisk vurderede en nylig undersøgelse (Meisler et al., 2019) formelt, om manuel, automatiseret eller ingen fjernelse af IED’er påvirkede deres neurofysiologiske fund i en episodisk hukommelsesopgave – de fandt ingen klar effekt af nogen tilgang, selv om de understregede vigtigheden af et tilstrækkeligt antal forsøg. I den forbindelse kræver nyere maskinlæringsanalyser store mængder af træningsdata for at opbygge nøjagtige modeller – disse sammen med dybe læringsmetoder kan lære at skelne mellem normale neurofysiologiske signaler og patologiske IED-bølgeformer, forudsat at de tidligere træningsdata er nøjagtigt mærket (ofte manuelt). Således har den agnostiske strategi en vis appel (herunder lav indsats) og kunne være en god standard for nogle undersøgelser, forudsat at der er nok data til at anvende den.

Aktuel praksis blandt IEEG-forskere

Med disse forskellige generelle strategier i tankerne, hvordan håndteres IED’er i øjeblikket af menneskelige neurofysiologiske forskere? Vi vurderede dette spørgsmål om “nuværende praksis” ved først at opsummere, hvordan forskerne beskriver deres metoder i den offentliggjorte litteratur. Vi søgte i PubMed ved hjælp af to brede forespørgsler: (intrakraniel AND eeg; elektrokortikografi) og filtrerede resultaterne for at inkludere kun undersøgelser, der er offentliggjort i 2018. Vi begrænsede søgeresultaterne ved at undersøge hver enkelt artikel (613 unikke artikler) og inkluderede kun dem, der målte intrakranielle neurofysiologiske signaler hos mennesker og syntes at drage konklusioner vedrørende normal neurofysiologi (91 i alt). Selv om disse søgebetingelser ikke er udtømmende, giver de et aktuelt øjebliksbillede af forskellige grupper verden over, der studerer normal menneskelig neurofysiologi in vivo. Vi fandt, at størstedelen af disse publikationer hentydede til anvendelse af manuelle metoder (figur 2A), herunder direkte identifikation af IED’er eller en lignende (men mere konservativ) tilgang til identifikation og udelukkelse af elektroder, der dækkede anfaldsfoci. Mindre end 5 % af manuskripterne anvendte fuldt automatiserede metoder, og ingen af de inkluderede artikler anvendte den agnostiske tilgang (strategi 4). Igen var vores stikprøve af inkluderede artikler begrænset, og disse resultater er muligvis ikke fuldt ud repræsentative for feltet.

Da metoder til håndtering af IED’er ikke syntes at være beskrevet i detaljer i mange af artiklerne, vurderede vi yderligere vores spørgsmål om “nuværende praksis” ved at udforme en anonym undersøgelse. Denne undersøgelse (ca. ~2 min) bestod af spørgsmål om karriereniveau, om de var bekendt med IED’er i IEEG og havde formel eller uformel eller ingen uddannelse i identifikation og fjernelse af IED’er, sammen med et valg af, hvilken af de ovennævnte strategier (1-4) de havde tendens til at anvende (eller andre). Vi sendte en e-mail til de anførte tilsvarende forfattere af de ovenfor beskrevne artikler (79 i alt, da nogle artikler overlappede hinanden eller havde flere tilsvarende forfattere) med anmodning om deres frivillige deltagelse, som ville blive anonymiseret (undtaget fra IRB-kravene i henhold til UCSF IRB Office). Vi bad disse personer om også at videresende undersøgelsen til andre kolleger og medarbejdere.

Vi modtog en svarprocent på 44%, hvor respondenterne i undersøgelsen var vægtet i retning af postdoktorale og fakultetsmedlemmer, sandsynligvis på grund af en stikprøvebias via e-mailing af en population af tilsvarende forfattere (figur 2B). Det skal bemærkes, at svarene fra disse ledende laboratoriemedlemmer sandsynligvis kan repræsentere praksis i deres laboratorium som helhed på deres IED-strategi, selv om dette er mindre relevant for spørgsmålene om IED-fortrolighed og uddannelse. Alle respondenterne angav, at de var bekendt med IED’er, hvilket er et beroligende resultat, om end det muligvis er påvirket af undersøgelsens karakter. Med hensyn til uddannelse i genkendelse af IED’er og håndteringsmetode(r) blev flertallet uformelt uddannet (figur 2C), og nogle blev slet ikke uddannet. Ikke overraskende var de, der identificerede sig som formelt uddannede, yngre og ældre lærere, hvilket stemmer overens med de kliniske krav på fellowship-niveau for formel EEG-uddannelse i de fleste sammenhænge. Størstedelen af respondenterne anvendte enten en manuel tilgang, enten isoleret eller som en hybrid mellem manuel og automatiseret (Strategier 1 og 3; Figur 2D), hvilket generelt er sammenligneligt med litteraturgennemgangen (Figur 2A) som forventet. Interessant nok fandt vi ingen artikler, der eksplicit angav brugen af Strategi 4 (“agnostisk”) på trods af, at 9% af respondenterne identificerede sig som sådan, og inkorporeringen af automatiserede metoder (Strategi 2 og 3) havde en større repræsentation i undersøgelsessvarene (55%) end i litteraturgennemgangen (14%). Disse uoverensstemmelser kunne imidlertid forklares ved rapporteringsbias i betragtning af de forskellige kontekster af manuskriptmetoder vs. en direkte undersøgelse og stikprøvebias (undersøgelsessvarprocent).

Flere overvejelser

Selv om denne artikel primært fokuserer på IED’er, kan og bør de farer og strategier, der er beskrevet heri, udvides til andre elektriske eller ikke-fysiologiske artefakter (kabelbevægelser, elektrode pops, forstærkermætning osv.), da de kan involvere lignende skarpe afbøjninger med stor amplitude. Hvad angår udelukkelse af kanaler, er kanaler med mange IED’er særligt problematiske for automatiserede metoder, der er baseret på baggrundsestimater. Hvis normal neurofysiologi skal undersøges, bør disse kanaler og alle kanaler, der vides at være i læsionsmæssigt væv, udelukkes helt og holdent (Frauscher et al, 2018a); denne praksis blev afspejlet i omkring en tredjedel af manuskripterne i vores litteraturgennemgang (Figur 2A).

Med hensyn til korrekt eksperimentel kontrol er det ofte altafgørende, at IED-mærkning udføres, mens den er blindet for opgavehændelserne og forsøgsbetingelserne (mest relevant for manuelle strategier 1 og 3), for at forhindre bias, der kan påvirke undersøgelsesresultaterne (f.eks. fjernelse af forsøg med IED’er oftere fra en betingelse end en anden). Med hensyn til potentielle forstyrrelser i forsøgsbaserede undersøgelser antages det ofte, at IED’er forekommer uforudsigeligt, endog så meget som tilfældigt: denne antagelse er gunstig, hvis man lader IED’er være i dataene (strategi 4), da falsk-positive og -negative resultater ville blive mindsket gennem forsøgsgennemsnit, hvilket forbedrer det neurofysiologiske signal/støj-forhold. Det skal dog bemærkes, at timingen af IED’er ikke nødvendigvis er tilfældig i en adfærdsmæssig opgave. Opgaveafhængig modulering af timingen eller mængden af IED’er er blevet beskrevet (Matsumoto et al., 2013), hvilket potentielt kunne forvirre resultaterne ved fortrinsvis at vægte falske resultater i visse forsøgssegmenter mere end andre. Dette ville argumentere imod brugen af strategi 4, selv om igen, conundrum af forsøgsantal og statistisk styrke kan være problematisk som nævnt ovenfor.

Sidst, bortset fra signalbehandlingsimplikationer, er det værd at nævne, at IED’er også midlertidigt kan forstyrre den lokale neurale dysfunktion i den region, hvor de forekommer (Krauss et al., 1997; Kleen et al., 2013; Kleen et al., 2013; Horak et al., 2017; Ung et al., 2017). Dette kan føre til kognitive fejl, der kan påvirke forsøgsbaserede og andre analyser, hvilket udgør et særskilt argument for udelukkelse af forsøg med IED’er, når der drages konklusioner vedrørende “normal” kognitiv behandling.

Konklusioner

Accelereringen af menneskelig intrakraniel neurofysiologi formidler stor begejstring for forestående opdagelser og kapaciteter, herunder udvidelse af de grundlæggende neurovidenskaber, forbedring af kliniske terapier og udvikling af hjerne-maskine grænseflader. IED’er udgør imidlertid en faldgrube med falske resultater, som er vanskelige at undgå på grund af arten af det epileptiske in vivo-væv, hvorfra dataene optages. Der er behov for øget årvågenhed for at undgå IED’er i data, hvis/hvis det er relevant, hvilket kan opnås ved at overveje og anvende de ovenfor nævnte strategier. Vi foreslår også, at forskere på mellemniveau og seniorforskere bør gøre forsøg på at forbedre og tilbyde standardiserede uddannelsespræsentationer eller simuleringer i deres laboratorier for IED-identifikation, -detektion og -fjernelsesmetoder. Dette vil udstyre yngre forskere med et vigtigt færdighedssæt til at forstå og konstruktivt undersøge deres egne og andres data. Desuden er der behov for forbedringer i videnskabelig kommunikation (Suthana et al., 2018), således at manuskripter om normal menneskelig neurofysiologi klart bør formidle den tilgang, der anvendes til håndtering af IED’er og dens berettigelse i forbindelse med deres undersøgelse. En sådan praksis med øget årvågenhed og klar kommunikation vil forhåbentlig forbedre reproducerbarheden, så feltet kan fortsætte sin acceleration uden forudsigelige tilbageslag.

Data Availability Statement

Undersøgelsesdataene i denne artikel kan downloades fra doi: 10.5281/zenodo.3626105.

Ethics Statement

Studierne, der involverer menneskelige deltagere, blev gennemgået og godkendt af University of California San Francisco Institutional Review Board. Skriftligt informeret samtykke til deltagelse var ikke påkrævet for denne undersøgelse i overensstemmelse med den nationale lovgivning og de institutionelle krav.

Author Contributions

SA og JK udviklede konceptet for manuskriptet, skabte og distribuerede undersøgelsen, udførte litteratursøgningen og skrev manuskriptet. ML og EC gav betydelig feedback og redigeringer til manuskriptet. Alle forfattere læste og godkendte det indsendte manuskript.

Finansiering

SA blev finansieret af et NIH Diversity Supplement under R01-DC012379. JK blev finansieret af National Institutes of Health/National Institute of Neurological Disorders and Stroke (NIH/NINDS) bevillinger R25NS070680 og K23NS110920. ML blev finansieret af NIH Grant R01-DC015504, F32-DC013486 og Kavli Institute for Brain and Mind samt DARPA-kontrakt N66001-17-2-4008. EC blev finansieret af NIH-tilskud (R01-DC012379, R00-NS065120 og DP2-OD00862) og Esther A. and Joseph Klingenstein Fund.

Interessekonflikter

Forfatterne erklærer, at forskningen blev udført uden kommercielle eller økonomiske forbindelser, der kunne opfattes som en potentiel interessekonflikt.

Anerkendelser

Vi takker Maxime Baud og Han Yi for deres nyttige diskussioner og kommentarer under udarbejdelsen af dette manuskript.