癫痫是最常见的严重神经系统疾病之一，全球约有7000万人受到影响（The, 2019）。颞叶癫痫（TLE）是最常见的局灶性癫痫类型。值得注意的是，尽管接受了适当的抗癫痫药物治疗，约30-40%的TLE患者仍会出现癫痫发作（Duncan等人，2016；Gok等人，2013；Zhang等人，2025）。对于这些药物难治性病例，手术干预可能是一种有效的治疗方法。然而，即使手术后，仍有20-30%的患者无法实现无发作状态（Chassoux等人，2017）。手术失败的一个主要原因是术前未能准确定位癫痫灶（Doss等人，2024）。内侧颞叶硬化（海马硬化）是TLE的常见病理基础（Tai等人，2018），但许多患者的海马损伤仅表现为轻微改变，在常规MRI上无法显示（Jackson等人，1994）。实际上，标准结构MRI无法在大量难治性局灶性癫痫患者中检测到病变，这些病例通常被称为“MRI阴性”病例。这些挑战凸显了需要更敏感的成像生物标志物来检测和定位癫痫灶（Mito等人，2025；Shen等人，2025）。
扩散MRI已成为检测与癫痫相关的微结构变化的有希望的工具。扩散张量成像（DTI）研究表明，TLE中的白质异常与癫痫灶和神经网络有关（Neudorf等人，2020）。然而，DTI模型仅测量每个体素的平均扩散向量，在解析复杂纤维结构（如交叉或分支纤维）方面存在局限性。最近，高角度分辨率的扩散技术（如扩散谱成像DSI）被开发出来以克服这些限制（Fernandez-Miranda等人，2012；Hollunder等人，2024）。DSI能够沿多个方向获取高b值的扩散数据，从而更详细地捕捉体素内纤维的异质性（Reese等人，2009；Wedeen等人，2008）。通过q空间重建方法，DSI可以解析体素内的多个纤维方向，比传统DTI提供更准确的白质通路表示（Radhakrishnan等人，2024）。DSI衍生的主要标量指标是定量各向异性（QA），它反映了白质纤维中的水分子扩散密度（Radhakrishnan等人，2024）。此外，先进的扩散分析还允许计算“局部连接组特征”，这是一种描述个体全脑白质结构的高维指标（Yeh等人，2016）。局部连接组特征是通过采样白质纤维方向上的水分子扩散密度生成的。这是使用Yeh等人（2016）的方法和人类连接组项目（HCP）的纤维方向分布模板完成的。局部连接组特征编码了大脑中每个纤维束段的扩散特性，使得个体之间的微结构连接模式可以直接比较。这些先进的基于DSI的指标可能揭示常规MRI无法看到的微结构异常，从而提高癫痫灶的检测能力，尤其是在MRI阴性的TLE病例中。
神经影像学领域的另一个重要发展是应用机器学习辅助图像分析和诊断。机器学习方法越来越多地应用于放射学研究，以分析复杂的影像数据集，并在辅助临床决策方面显示出潜力（Choy等人，2018；Kohli等人，2017；Song等人，2019）。在癫痫领域，先前的研究已将机器学习应用于各种成像模式。例如，静息态fMRI连接模式已被用于训练分类器以识别TLE网络（Bharath等人，2019）。一些研究小组探索了基于DTI的特征与机器学习的结合，以区分TLE患者和健康对照组或定位癫痫灶。这些研究取得了中等程度的成功，不同任务的准确率在51%到82%之间，包括区分TLE或局灶性癫痫患者与健康对照组以及定位颞叶癫痫灶（Del Gaizo等人，2017；Johnson等人，2022；Kamiya等人，2016；Lee等人，2021）。然而，将高级扩散成像（如DSI）与机器学习结合使用的研究尚未得到充分研究。我们假设，DSI通过提供更多的微结构信息（通过QA和局部连接组特征），可以提高TLE的自动检测及其定位的准确性。尽管在颞叶癫痫领域进行了大量的扩散MRI研究，但此前没有研究在同一队列中直接对比全脑局部连接组特征和定量各向异性，也没有评估它们在统一的机器学习框架中区分TLE和健康对照组以及定位癫痫灶的能力。因此，在本研究中，我们开发了一个利用DSI衍生的扩散指标的支持向量机（SVM）模型，以自动区分TLE患者和健康个体，并确定癫痫灶所在的颞叶侧别。我们的目标是评估这种方法的准确性及其作为术前TLE评估的非侵入性工具的潜力。
