Alai

Introduktion

Intrakraniell elektroencefalografi (IEEG) överskrider många fysiska gränser för elektroencefalografi (EEG) och magnetoencefalografi (MEG) genom att registrera signaler direkt från hjärnvävnad. Snabba framsteg inom databehandling under de senaste årtiondena har utökat mjukvaru- och hårdvarukapaciteten, vilket möjliggör samtidiga inspelningar från hundratals intrakraniella platser med mikrosekunders precision. Dessa ökningar av den tidsmässiga och rumsliga upplösningen har förbättrat den diagnostiska precisionen för lokalisering av anfall (Andrews et al., 2019; Cuello Oderiz et al., 2019) och lett till en acceleration av forskningen om mänsklig intrakraniell neurofysiologi (Chang, 2015; Parvizi och Kastner, 2018).

Ledsamman med framväxande beräkningsverktyg och kapacitet för analys av massiva datamängder är rikedomen av neurovetenskapliga möjligheter och potentiella upptäckter lovande. Signalanalys på mänskliga intrakraniella inspelningar medför dock inneboende fallgropar som förmodligen behandlas men minimalt erkänns i många neurofysiologiska studier av mänskliga patienter – nämligen interiktala epileptiforma urladdningar (IED). IED är övergående aktivitetsutbrott som produceras av grupper av neuroner som är patologiskt sammankopplade på grund av epilepsi, vilket resulterar i distinkta och framträdande vågformer under IEEG-inspelningar (figur 1A). Detta perspektiv kommer att uppmärksamma riskerna med IED, potentiella effekter på vanliga analysstrategier och beskriva vanliga strategier för att undvika dem så att den växande vågen av upptäckter inom human neurofysiologi fortsätter att gå framåt förhoppningsvis utan felsteg.

Naturen av IED-risker i IEEG-neurofysiologi hos människor

Kärnan i vår uppfattning är att paradigmet för intrakraniell neurofysiologi hos människor utsätter välmenande forskare för risker för felaktiga resultat på grund av två huvudfaktorer:

(1) Elektroder implanteras i regioner av den mänskliga hjärnan som bedöms kunna avslöja neurofysiologiska signaturer av epilepsi i både iktala och interiktala sammanhang – vilket ofta är skarpa vågformer med stor amplitud.

(2) Signalbehandlingsanalyser som vanligen används för mänsklig neurofysiologi är ytterst känsliga för de skarpa vågformer med stora amplituder som beskrivs i punkt 1, vilket orsakar falska resultat.

Det är därför vanligt att IEEG-dataset innehåller elektriska signaturer av epilepsi som innebär en risk för förvrängda resultat när de inkluderas i vanliga signalanalyser, t.ex. effekt- och koherensmått, och relaterade metoder, t.ex. effekt-fas-sammodulation (Kramer et al, 2008). Ett sätt att redogöra för detta problem är att många metoder för behandling av neurala signaler, såsom Fourier-, Wavelet- och Hilbert-baserade analyser, förutsätter ett sinusformigt datasubstrat (van Drongelen, 2018). Konvolvering av vågor med stor amplitud eller skarpa avböjningar (stor eller till och med liten amplitud) predisponerar därför för representationer av många frekvenser som till stor del kan vara falska, eftersom många på varandra följande sinusformade funktioner kan passa dessa delar av vågformen. I figurerna 1B-D visar vi exempel på hur IED:er lätt kan förvränga neurofysiologiska signaler på detta sätt med hjälp av vanliga spektralmetoder som Hilbert-, Wavelet- och Fouriertransformationer. I lägre frekvensband kan både de skarpa och långsamma vågkomponenterna i IEDs framkalla en effekthöjning i vilken frekvens som helst som passar in på dessa egenskaper. I högre frekvensband blir denna slående effektökning över stora sträckor av kontinuerliga frekvensnivåer ännu tydligare och kan kallas ringning eller spektralt läckage (Scheffer-Teixeira et al., 2013). Detta kan vara uppenbart över hela det höga gammabandet (50-200 Hz eller annat liknande område), vilket är en oroande fråga med tanke på att många neurofysiologiska laboratorier använder hög gammaaktivitet med tanke på dess potentiella värde som surrogat för lokal neuronal aktivitet (Ray et al., 2008). Exemplet i figur 1H visar hur kumulativ inkludering (figurerna 1E-G) av försök med spikar tillför falska variationer (riskerar att bli falskt negativa) eller på annat sätt påverkar den statistiska signifikansen (riskerar att bli falskt positiva).

Detta problem kan vara mer genomgripande än i EEG- eller MEG-inspelningar på grund av direkt kontakt med neurala vävnader, som kan förmedla större spikamplituder och skarpare avböjningar, särskilt när det gäller IED:s, vilket förorenar neurofysiologiska analyser. Dessutom är intrakraniella elektroder specifikt placerade i regioner som sannolikt är kliniskt förknippade med det epileptiska anfallsfokuset, vilket leder till starka och/eller frekventa IEDs i vissa IEEG-dataset.

Anekdotiskt sett skulle de flesta forskare inom mänsklig neurofysiologi hålla med om att datakontaminering av IEDs är allmänt känt, även om effekten av detta kan variera för vissa typer av analyser (Meisler et al., 2019). Faktum är att man skulle kunna förvänta sig att många forskningslaboratorier har strategier för att kringgå eller åtminstone minimera detta problem. När man gör en praktisk bedömning kan dock detta problem och dess potentiella förgreningar vara mycket mer genomgripande än väntat. En tredje komplicerande faktor kan illustrera hur detta kan vara så:

(3) Neurofysiologiforskare (särskilt tidigt utbildade, t.ex. studenter och postdoktorala forskare) får kanske ingen direkt utbildning i identifiering av IED:s eller elektriska artefakter. Dessutom kanske inte heller spektrumet av potentiella IED-morfologier, och hur deras distinkta egenskaper kan förväntas kontaminera signalanalyser, är inpräntat i standardutbildningen.

Som en ytterligare komplikation är interbedömaröverensstämmelsen för IED-detektion förvånansvärt dålig, till och med bland fullt utbildade epileptologer (Barkmeier m.fl, 2012; Janca et al., 2015).

Strategier för hantering av IEDs

Det finns en mängd olika tillvägagångssätt när man stöter på IEDs i data, som kanske eller kanske inte beror på deras hastighet och rumsliga utbredning (t.ex. kanske en forskare inte är benägen att kurera och ”rensa” en datamängd för en spik per minut, men kan det för 10 spikar per minut). Vi har sammanställt forskarnas möjliga tillvägagångssätt i fyra huvudstrategier. Den första är att manuellt identifiera och ta bort alla försök eller perioder under vilka IED:er förekommer, vilket här kallas strategi 1. Uppgifterna sållas igenom genom att undersöka plottar av de inspelade uppgifterna med eller utan viss förbehandling (notch- och/eller bandpassfiltrering) och segment av uppgifter som innehåller IEDs markeras så att alla försök som överlappar med dessa segment kan utelämnas ur analyserna eller omvandlas till saknade värden.

Vissa forskare har fått formell klinisk utbildning i avläsning av EEG/iEEG, även om detta är mindre vanligt för många icke-kliniska forskare som utbildas genom akademiska banor för akademiker med examen inom vetenskapen. Många har fått antingen didaktisk och/eller individuell utbildning i hur man identifierar och tar bort IED-försök från dataset, men vissa har kanske inte fått det. För att komplicera saken är IEEG-dataset långt ifrån standardiserat på grund av skillnader i registreringen: de anfallsgenererande nätverkens utformning skiljer sig åt från patient till patient, vilket resulterar i varierande antal elektroder, för att inte tala om individuella skillnader i neuroanatomi och implantatets lateralitet. Det finns blandade kontaktsätt (rutnät, remsor, djup) med varierande täthet, tillsammans med skräddarsydda ordningar av kanalerna (montages). Alla dessa faktorer leder till ökade svårigheter vid tolkningen av IEEG-analyser, särskilt för dem som inte har fått adekvat utbildning (formell eller informell) för IED-identifiering i dessa inspelningslayouter. Slutligen, när inspelningarnas längd ökar, minskar strategi 1 i praktisk användbarhet på grund av tids- och arbetsbegränsningar.

Datoriserade algoritmer för spikdetektering har utvecklats under de senaste decennierna för att utrusta nästa generation forskare med effektiva och standardiserade spikdetekteringsförmågor, spara tid och kringgå mänskliga fel. Användningen av IED-detektorer och avlägsnande av påverkade försök/data på ett automatiserat sätt utgör ett annat tillvägagångssätt, som vi kommer att kalla strategi 2. Lyckligtvis tenderar IEDs att ha de egenskaper som ofta är framträdande för många algoritmer: stora amplituder, skarpa komponenter och ibland med patofysiologiska högfrekventa oscillationer som sällan förekommer i den normala hjärnan (se dock Frauscher et al., 2018b). I idealfallet kommer en algoritm att maximera både känslighet och specificitet, samtidigt som den minskar eller tar bort det bidrag (övervakning, t.ex. tröskelinställning) som krävs av användaren. Det är dock svårt att uppfylla denna önskelista helt och hållet, och därför har många algoritmer utvecklats med hjälp av olika automatiserade och oövervakade tillvägagångssätt. Dessa inkluderar EEG-avledningar (White et al., 2006), linjelängds- och krafttransformationer (Esteller et al., 2001; Bergstrom et al., 2013), adaptiva riktade överföringsfunktioner (Wilke et al., 2009), rumsliga filter (Liu et al., 2015) och algoritmer för matchning av spikmallar, t.ex. rumslig-temporal regression (Tousseyn et al., 2014) och icke-negativ matrisfaktorskapning (Baud et al., 2018) bland många andra metoder. Alla verktyg har känslighet och specificitet kompromisser; inget tillvägagångssätt ger 100 % säkerhet, och detta kompliceras ytterligare av bristen på en pålitlig mänsklig guldstandard. Särskilt den dåliga interbedömaröverenskommelsen för manuell upptäckt bland högt utbildade personer som nämns ovan, och den ”kvantitativa gråzonen” av små tvivelaktiga IED:er som de kan ignorera, är grundläggande reservationer för algoritmtestning. Slutligen, även om nästan alla nya metoder jämförs med manuell upptäckt eller en annan automatiserad metod, är det svårt att göra en bred jämförelse mellan de flesta eller alla automatiserade metoder på grund av de tekniska utmaningarna med att implementera var och en i tur och ordning på en tillräckligt stor datamängd (Westover et al., 2017). Icke desto mindre kan automatiserad borttagning av interiktala spikar med hjälp av oövervakade och/eller övervakade metoder spara tid, standardisering av tillvägagångssätt och förbättra kvaliteten på neurofysiologiska data.

Som ett resultat av förbehållen (och potentiella felsteg) för automatiserade detekteringsalgoritmer kan vissa forskare som använder dem tveka att ge full diskretion till denna mekanism. Eftersom automatiserade detektionsmetoder drastiskt kan öka effektiviteten för huvuddelen av de uppenbara upptäckterna är en tredje strategi (strategi 3) en hybridmetod av strategi 1 och 2, där de automatiserade upptäckterna också granskas manuellt (ofta i denna ordning, även om den motsatta ordningen eller flera iterationer också kan tillämpas). Ett exempel på denna hybrid är genom användning av fördelningar av morfologiska egenskaper (t.ex. lutning, effektmått etc.) på vilka ett tröskelvärde kan tillämpas, följt av manuell inspektion för potentiella falska positiva och/eller negativa.

Med tanke på komplexiteten i insamlingen av dessa värdefulla data och den därmed sammanhängande knappheten är en nackdel som är gemensam för Strategi 1, 2 eller 3 att avlägsnande av försök minskar den statistiska styrkan. Följaktligen gör en annan bias – att behålla fler försök – det möjligt att införa fler potentiella falska signalresultat, vilket ökar risken för falska negativa och positiva resultat enligt beskrivningen ovan.

Preferensen att behålla så många försök som möjligt introducerar en annan strategi för att hantera IED:s: agnosticism, där IED:s ignoreras (inte bedöms) och där inga försök avlägsnas (strategi 4). Man kan naturligtvis anta att data som drabbas av IEDs kommer att vara sällsynta och slumpmässiga nog för att drabbade tidpunkter kommer att smälta in i bakgrunden av en genomsnittlig signal, vilket ökar variabiliteten men inte snedvrider resultaten nämnvärt. Under tiden kommer förhoppningsvis uppgiftsrelaterade neurofysiologiska signaturer att framträda i analysen och, om de finns, vara dominerande på grund av att de är konsekventa mellan olika försök. Som ett signal-brusproblem kan detta antagande vara giltigt för sällsynta IED:er, särskilt med en stark experimentell effektstorlek (även om det kan vara lämpligt att använda icke-parametrisk statistik som ett extra säkerhetslager). Mer frekventa (figurerna 1E-H) och/eller större eller skarpare IEDs kan dock underminera detta tillvägagångssätt. Trots detta är robust statistisk styrka alltid att föredra och kräver ofta ett stort antal försök, vilket är mer sannolikt att uppnå med det agnostiska tillvägagångssättet i strategi 4, särskilt när det gäller subtila effektstorlekar. Faktum är att en nyligen genomförd studie (Meisler et al., 2019) formellt bedömde om manuell, automatiserad eller ingen borttagning av IEDs påverkade deras neurofysiologiska fynd i en episodisk minnesuppgift – de fann ingen tydlig effekt av något tillvägagångssätt, även om de betonade vikten av ett tillräckligt antal försök. I samband med detta kräver nyare analyser av maskininlärning stora volymer av träningsdata för att bygga korrekta modeller – dessa tillsammans med metoder för djupinlärning kan lära sig att skilja mellan normala neurofysiologiska signaler och patologiska IED-vågformer, förutsatt att de tidigare träningsdata är korrekt märkta (ofta manuellt). Således har den agnostiska strategin en viss attraktionskraft (inklusive låg ansträngning) och kan vara en bra standard för vissa studier, förutsatt att det finns tillräckligt med data för att använda den.

Aktuell praxis bland IEEG-forskare

Med dessa olika generella strategier i åtanke, hur hanteras IED:s för närvarande av forskare inom human neurofysiologi? Vi bedömde denna fråga om ”nuvarande praxis” genom att först sammanfatta hur forskarna beskriver sina metoder i publicerad litteratur. Vi sökte i PubMed med hjälp av två breda sökfrågor: (intracranial AND eeg; electrocorticography) och filtrerade resultaten för att endast inkludera studier som publicerades 2018. Vi begränsade sökresultaten genom att granska varje artikel (613 unika artiklar) och inkluderade endast de som mätte intrakraniella neurofysiologiska signaler hos människor och verkade dra slutsatser om normal neurofysiologi (totalt 91). Även om dessa sökvillkor inte är uttömmande ger de en samtida ögonblicksbild av olika grupper världen över som studerar normal mänsklig neurofysiologi in vivo. Vi fann att majoriteten av dessa publikationer hänvisade till användning av manuella metoder (figur 2A), inklusive direkt identifiering av IEDs, eller ett liknande (men mer konservativt) tillvägagångssätt för att identifiera och utesluta elektroder som täckte anfallsfokusen. Mindre än 5 % av manuskriptet använde helt automatiserade metoder, och ingen av de inkluderade artiklarna använde den agnostiska metoden (strategi 4). Återigen var vårt urval av inkluderade artiklar begränsat och dessa resultat kanske inte helt representerar fältet.

Med tanke på att metoderna för hantering av IED:s inte verkade beskrivas i detalj i många av artiklarna utvärderade vi ytterligare vår fråga om ”nuvarande praxis” genom att utforma en anonym enkät. Denna enkät (ca ~2 min) bestod av frågor om karriärnivå, om de var bekanta med IEDs i IEEG och om de hade formell eller informell eller ingen utbildning i identifiering och avlägsnande av IEDs, tillsammans med ett urval av vilka av strategierna (1-4) ovan de tenderade att använda (eller andra). Vi skickade e-post till de listade motsvarande författarna till de artiklar som beskrivs ovan (totalt 79, eftersom vissa artiklar överlappade varandra eller hade flera motsvarande författare) och bad om deras frivilliga deltagande, som skulle anonymiseras (undantaget från IRB-kraven enligt UCSF:s IRB-kontor). Vi bad dessa personer att också vidarebefordra enkäten till andra kollegor och medarbetare.

Vi fick en svarsfrekvens på 44 %, där enkätsvaren var viktade mot postdoktorala och fakultetsmedlemmar, vilket troligen berodde på en urvalsbias genom att vi skickade e-post till en population av motsvarande författare (figur 2B). Noterbart är att svaren från dessa seniora laboratoriemedlemmar sannolikt kan representera praxis för deras labb som helhet när det gäller deras IED-strategi, även om detta är mindre tillämpligt för frågorna om IED-kännedom och utbildning. Alla respondenter angav att de var bekanta med IED, vilket är ett lugnande resultat, även om det möjligen kan påverkas av undersökningens karaktär. När det gäller utbildning i att känna igen IED:er och hanteringsmetod(er) fick majoriteten informell utbildning (figur 2C), och vissa fick ingen utbildning alls. Det är inte överraskande att de som identifierade sig som formellt utbildade var yngre och äldre lärare, vilket stämmer överens med de kliniska kraven på fellowship-nivå för formell EEG-utbildning i de flesta sammanhang. Majoriteten av de svarande använde sig antingen av ett manuellt tillvägagångssätt, antingen isolerat eller som en hybrid av manuellt och automatiserat (Strategier 1 och 3; Figur 2D), vilket i allmänhet är jämförbart med litteraturgenomgången (Figur 2A) som förväntat. Intressant nog hittade vi inga artiklar som uttryckligen angav användningen av strategi 4 (”agnostisk”) trots att 9 % av respondenterna identifierade sig som sådana, och införlivandet av automatiserade metoder (strategier 2 och 3) hade en större representation i enkätsvaren (55 %) än i litteraturöversikten (14 %). Dessa diskrepanser kan dock förklaras av rapporteringsbias, med tanke på de olika kontexterna för manuskriptmetoder jämfört med en direkt enkät, och urvalsbias (svarsfrekvens för enkäten).

Vidare överväganden

Samtidigt som den här artikeln främst fokuserar på IED:s kan och bör de faror och strategier som beskrivs här utvidgas till att även omfatta andra elektriska eller icke-fysiologiska artefakter (kabeldragningar, elektrodpoppning, förstärkarmättnad osv.), eftersom de kan innebära liknande skarpa avböjningar med stora amplituder. När det gäller uteslutning av kanaler är kanaler med rikligt med IED särskilt problematiska för automatiserade metoder som bygger på bakgrundsbedömningar. Om normal neurofysiologi ska studeras bör dessa kanaler och alla kanaler som är kända för att finnas i skadad vävnad uteslutas helt och hållet (Frauscher et al, 2018a); denna praxis återspeglades i ungefär en tredjedel av manuskripten i vår litteraturgenomgång (figur 2A).

När det gäller korrekt experimentell kontroll är det ofta av största vikt att IED-markering utförs medan man är blindad för uppgiftshändelserna och försöksvillkoren (mest relevant för manuella Strategier 1 och 3), för att förhindra bias som skulle kunna påverka studieresultaten (t.ex. att ta bort försök med IEDs oftare från ett villkor än ett annat). När det gäller potentiella störningar i försöksbaserade studier antas IED ofta uppträda oförutsägbart och till och med slumpmässigt: detta antagande är gynnsamt om man lämnar IED i data (strategi 4) eftersom falskt positiva och negativa resultat skulle minska genom att man använder medelvärdet av försöken, vilket förbättrar det neurofysiologiska förhållandet mellan signal och brus. Det bör dock noteras att tidpunkten för IEDs inte nödvändigtvis är slumpmässig i en beteendeuppgift. Uppgiftsberoende modulering av tidpunkten eller mängden av IEDs har beskrivits (Matsumoto et al., 2013), vilket potentiellt skulle kunna förvränga resultaten genom att föredömligt vikta falska resultat i vissa försökssegment mer än andra. Detta skulle tala emot användningen av strategi 4, även om återigen, gåtan med antalet försök och den statistiska styrkan kan vara problematisk, som nämnts ovan.

Sist, bortsett från signalbehandlingsimplikationer, är det värt att nämna att IEDs också tillfälligt kan störa den lokala neurala dysfunktionen i den region där de inträffar (Krauss et al., 1997; Kleen et al., 2013; Horak et al., 2017; Ung et al., 2017). Detta kan leda till kognitiva fel som kan påverka försöksbaserade och andra analyser, vilket utgör ett separat argument för att utesluta försök med IEDs när man drar slutsatser om ”normal” kognitiv bearbetning.

Slutsatser

Accelereringen av mänsklig intrakraniell neurofysiologi förmedlar stor spänning för förestående upptäckter och förmågor, bland annat för att utvidga den grundläggande neurovetenskapen, förbättra kliniska terapier och utvecklingen av gränssnitt mellan hjärna och maskin. IED:s utgör dock en fallgrop i form av falska resultat, som är svåra att undvika på grund av arten av den epileptiska vävnad in vivo från vilken data registreras. Ökad vaksamhet krävs för att undvika IEDs i data om och när det är lämpligt, vilket kan ske genom att man överväger och använder de strategier som anges ovan. Vi föreslår också att forskare på mellannivå och högre nivå bör försöka förbättra och tillhandahålla standardiserade utbildningspresentationer eller simuleringar i sina laboratorier för metoder för identifiering, upptäckt och avlägsnande av IED. Detta kommer att ge yngre forskare en viktig färdighet för att förstå och konstruktivt granska sina egna och andras data. Dessutom behövs förbättringar i den vetenskapliga kommunikationen (Suthana et al., 2018), så att manuskript om normal mänsklig neurofysiologi tydligt bör förmedla det tillvägagångssätt som används för att hantera IED:er och dess berättigande i samband med deras studie. Sådana metoder för ökad vaksamhet och tydlig kommunikation kommer förhoppningsvis att förbättra reproducerbarheten så att fältet kan fortsätta sin acceleration utan förutsebara bakslag.

Data Availability Statement

Undersökningsdata i den här artikeln kan laddas ner från doi: 10.5281/zenodo.3626105.

Ethics Statement

Studierna som involverade mänskliga deltagare granskades och godkändes av University of California San Francisco Institutional Review Board. Skriftligt informerat samtycke för deltagande krävdes inte för denna studie i enlighet med den nationella lagstiftningen och de institutionella kraven.

Författarbidrag

SA och JK utvecklade konceptet för manuskriptet, skapade och distribuerade enkäten, utförde litteratursökningen och skrev manuskriptet. ML och EC gav betydande feedback och redigeringar av manuskriptet. Alla författare läste och godkände det inlämnade manuskriptet.

Finansiering

SA finansierades av ett NIH Diversity Supplement under R01-DC012379. JK finansierades av National Institutes of Health/National Institute of Neurological Disorders and Stroke (NIH/NINDS) bidrag R25NS070680 och K23NS110920. ML finansierades av NIH Grant R01-DC015504, F32-DC013486 och Kavli Institute for Brain and Mind och DARPA kontrakt N66001-17-2-4008. EC finansierades av NIH-anslag (R01-DC012379, R00-NS065120 och DP2-OD00862) och Esther A. and Joseph Klingenstein Fund.

Intressekonflikter

Författarna förklarar att forskningen utfördes i avsaknad av kommersiella eller ekonomiska relationer som skulle kunna tolkas som en potentiell intressekonflikt.

Acknowledgments

Vi tackar Maxime Baud och Han Yi för deras hjälpsamma diskussioner och kommentarer under utvecklingen av detta manuskript.