模拟颞叶癫痫

颞叶癫痫 (TLE) 是一种慢性脑部疾病，在颞叶反复发作。 TLE 会导致心理问题、短期记忆丧失等，在很大程度上影响生活质量。据报道，TLE的全球发病率为 0.04% 至 0.1% ，是一种较为多发的神经系统疾病2。 TLE 可由多种原因引发，包括创伤性脑损伤、癌症、中风、感染或海马区瘢痕形成1。目前的治疗模式包括抗癫痫药物、手术和深部神经刺激3，但在某些情况下，现有疗法可能无法完全控制癫痫发作，因此，需要持续开发更好的抗癫痫疗法。

使用毛果芸香碱或红藻氨酸来诱导癫痫发作的 TLE 小鼠模型已被用于研究 TLE4 及测试疗法，但啮齿动物和人脑在解剖学、生理学和功能方面存在根本差异。因此，啮齿动物数据不太适用于人类患者。由于非人灵长类动物 (NHP)与人脑在结构、功能和神经化学活动方面具有相似性，因此可作为更具生理相关性的模型。癫痫可能在 NHP 中由遗传因素或受伤感染引发，也可以通过其它的刺激诱发。根据所使用的刺激诱因，NHP 可出现全身性或局灶性癫痫5。局灶性癫痫是通过氧化铝凝胶、毛果芸香碱、红藻氨酸或电引物诱发。电引物使用植入的刺激电极来诱发癫痫发作 5。相对简单的 NHP 癫痫模型已被广泛用于开发抗癫痫疗法。然而，难治性癫痫的新疗法仍是空白，需要在更复杂的模型中进行评估。这些模型使用组合刺激来诱导更多的难治性癫痫发作。一个例子是毛果芸香碱和 PTZ（戊四唑）组合，其中毛果芸香碱用于诱发癫痫表型，而低剂量的 PTZ 用于触发更频繁和更严重的边缘癫痫6。在这个模型中，现有疗法在不同程度上降低了癫痫发作的强度和频率，但并没有完全抑制癫痫发作6。这表明，模拟难治性癫痫的复杂模型可用于筛选更有效的疗法。

癫痫发作通常通过脑电图检测出来，将电极放置于头部周围以检测脑电波活动的变化。除了分析脑电图之外，还可使用 PET、CT 扫描、MRI 等诊断成像来识别大脑活动发生变化的区域。癫痫患者通常会接受长期脑电图扫描，在几天内集中频繁收集数据7。手动分析此大型数据集可能需要很长时间，容易出错，且需要由训练有素的数据专家或经验丰富的神经学家来完成。因此，此类分析可能成为及时诊断和治疗癫痫的重要瓶颈。然而，人工智能 (AI) 可以辅助数据分析，并减少错误率和用时。2017 年，克利夫兰诊所与谷歌合作开发深度学习神经网络，以分析来自癫痫患者的大数据（20 TB）7。此次合作根据 995 名患者的脑电图数据开发了时间图卷积网络 (TGCN)。该模型结合了设定时间段内的空间数据，显示出明显的敏感性和特异性 7。最近，伦敦大学学院的一个研究小组开发了一种人工智能算法，利用来自 538 名患者的 MRI 数据识别可能导致癫痫发作的异常脑发育不良区域8。该算法能够在大约 67% 的病例中检测到大脑异常。

很明显，人工智能正被用作识别和监测人类癫痫发作的工具。然而，重要的是将这些 AI 算法反向转化为 NHP 癫痫模型，以便利用 AI 和机器学习平台来帮助临床前开发难治性癫痫的新疗法。

参考文献:

¹https://www.healthline.com/health/temporal-lobe-epilepsy#causes

²https://www.sciencedirect.com/science/article/pii/S1525505022003997

³https://www.mayoclinic.org/diseases-conditions/temporal-lobe-seizure/diagnosis-treatment/drc-20378220

⁴https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4164293/

⁵https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6779127/

⁶https://www.sciencedirect.com/science/article/abs/pii/S0920121116300985

⁷https://consultqd.clevelandclinic.org/deep-learning-models-for-automatic-seizure-detection-in-epilepsy/

⁸https://innovationdistrict.childrensnational.org/ai-algorithm-that-detects-brain-abnormalities-could-help-cure-epilepsy//