这组文献可以按一条主线来读：癫痫术前评估正在从“找一个点”转向“解释一个网络”。SEEG 仍然是最关键的功能证据，但它越来越多地被放进 MRI/DTI、fMRI、MEG、网络科学、神经质量模型和机器学习组成的系统里。目标不是让模型替代医生，而是让 epileptogenic zone（EZ）、seizure onset zone（SOZ）和 epileptogenic zone network（EZN）的判断更可解释、更可验证。
先给一句总纲：SEEG/WEB 这条线最值得复习的不是某一个算法，而是“同步证据 + 个体化模型 + 临床可解释性”的组合。 动力学模型解释发作为何发生，VEP 把个体结构和 SEEG 放进同一个虚拟脑，AI 方法补充非侵入式预测，多模态病例则提醒我们，局灶和广泛性并不总是二分。
插图只选用能在原 PDF 中确认开放许可或已整理过的原文图；版权不明确的文章只做文字总结，避免把未授权截图直接塞进公开笔记。
1. 先把术语边界理清楚
这里容易混的词很多，建议先按功能分层。
| 术语 | 含义 | 阅读时的重点 |
|---|---|---|
| SOZ | seizure onset zone，发作最早可记录起始区 | 是记录和判读概念，依赖电极覆盖和起始定义 |
| EZ | epileptogenic zone，理论上必须切除/干预后才能让发作停止的区域 | 不是一个可直接观测对象，只能由多证据推断 |
| EZN | epileptogenic zone network，癫痫发生和传播相关网络 | 更符合 SEEG + 连接组 + 模型的工作方式 |
| VEP | Virtual Epileptic Patient，个体化虚拟癫痫患者模型 | MRI/DTI 建结构骨架，SEEG 约束模型，模拟传播和干预 |
| Epileptor | Jirsa 等提出的发作动力学模型 | 用少数状态变量描述发作起始、持续、终止和 spike-wave |
| PDC | partial directed coherence，方向性功能连接估计 | 可从多通道 SEEG 中估计 coupling matrix |
| NMM | neural mass model，神经质量模型 | 用区域级动态方程模拟群体神经活动 |
这几个词的关系可以这样记：SOZ 是“记录上最早看到哪里动”，EZ 是“真正需要处理哪里”，EZN 是“哪些区域共同构成发作网络”，VEP/NMM/AI 是帮助我们从观测数据推断 EZN 的工具。
2. 理论底座：发作是动力系统状态转换
Jirsa 等在 Brain 2014 的工作把 seizure-like event 抽象成动力系统问题：发作不是一串任意异常波形，而是神经系统从 interictal state 跨过阈值进入 ictal state，再通过另一个动力学事件退出 ictal state 的过程 [8]。他们提出的 Epileptor 用 5 个状态变量组织三类时间尺度：快时间尺度产生快速放电，中间时间尺度产生 spike-wave，慢时间尺度控制发作进出和复发。
这个理论的价值在于，它把“发作起始形态”从描述性语言变成可建模对象。比如 low-voltage fast activity、spike-wave、慢波/DC shift 等起始模式，不只是读片标签，也可能对应系统接近分界面、跨过阈值或网络重新稳定的不同路径。后续 VEP 工作基本都站在这个框架上：每个脑区不是静态标签，而是一个有兴奋性、连接、传播延迟和状态转换规则的节点。
Stacey 等 2020 的综述从临床 EEG/SEEG 的角度补上另一层：网络分析可以把多通道电生理信号转成 functional connectivity、graph metrics、control theory 等特征，用来补充传统目测判读 [1]。这并不意味着图论指标可以单独诊断 SOZ，而是说临床判读可以多一层“网络组织方式”的证据。
3. VEP：从结构连接到个体化虚拟脑
Virtual Epileptic Patient 的核心不是“做一个漂亮 3D 脑图”，而是把个体结构连接、区域动力学和 SEEG 观测统一起来。早期 VEP 工作展示了一个典型流程：用 T1-MRI/DTI 重建个体脑区和白质连接，在每个脑区放置 Epileptor 或相关神经质量模型，再用 SEEG 记录校准模型参数，最后模拟发作传播和干预策略 [6,7]。
图 1. Hashemi 等 2020 原文 Figure 1，概括 Bayesian VEP 的结构：个体影像、connectome、network model、probabilistic model 和 posterior inference 被放在同一个闭环里。原文 PDF 标注为 CC BY-NC-ND 4.0 开放获取 [2]。
图 1 最值得看的是闭环关系。左上角输入 MRI/DTI，右上角构建 network anatomy；中间通过 The Virtual Brain / VEP 放置 network model；左下角把 empirical observations 作为模型约束；右下角用 Stan/PyMC3 等概率编程框架做 inference/prediction。也就是说，VEP 不是把 SEEG 结果画在脑上，而是用 SEEG 反过来限制“哪些脑区更可能具有高 epileptogenicity”。
Hashemi 等 2020 的 Bayesian VEP 进一步强调不确定性：他们用 NUTS 和 ADVI 推断脑区 epileptogenicity map，并比较 centered 与 non-centered parameterization 的收敛行为 [2]。这点很重要，因为术前讨论不能只要一个“最可能答案”，还要知道这个答案有多稳、哪些区域是模型不确定的边界。
Bayesian VEP 里的推断算法到底在做什么
Bayesian VEP 的目标可以写成一句话：给定个体连接组、SEEG/MEG/fMRI 等观测和发作传播模型，反推每个脑区的 epileptogenicity、coupling、time delay 等参数的后验分布。 这里的“后验分布”比单个分数更有用，因为它同时告诉我们两个问题：某个脑区是不是更可能高致痫，以及这个判断有多不确定。
可以把常见算法分成三类：点估计、采样、近似推断。
| 算法/概念 | 本质 | 在 VEP/癫痫模型里做什么 | 优点 | 风险 |
|---|---|---|---|---|
| MAP | maximum a posteriori，最大后验点估计 | 找到一组最可能的参数，比如某些脑区 epileptogenicity 最高 | 快、容易解释、适合初始化 | 只给一个点，不告诉不确定性；多峰后验时可能只找到局部答案 |
| MCMC | Markov chain Monte Carlo，马尔可夫链蒙特卡洛采样 | 从后验分布中抽很多组可能参数，看每个脑区高致痫概率 | 能表达不确定性和参数相关性 | 慢；需要收敛诊断；高维模型容易混合差 |
| HMC | Hamiltonian Monte Carlo，哈密顿蒙特卡洛 | 用梯度信息在高维参数空间里更高效地采样 | 比普通 random-walk MCMC 更适合连续高维参数 | 需要可微模型；步长、轨迹长度不合适会出问题 |
| NUTS | No-U-Turn Sampler，HMC 的自动化变体 | 自动决定 HMC 轨迹长度，用于更可靠地采样 epileptogenicity posterior | 相对准确，能给 credible interval、区域概率和诊断指标 | 计算开销大；模型参数化差时会出现 divergence |
| VI | variational inference，变分推断 | 用一个简单分布近似真实后验，把推断变成优化问题 | 快、可扩展，适合先做探索 | 近似分布太简单时会低估不确定性 |
| ADVI | automatic differentiation variational inference | 自动微分 + 变分推断，快速近似 VEP 参数后验 | 实现方便，适合复杂概率模型的快速初筛或初始化 | 常见问题是 posterior variance 偏小；多峰/强相关后验会被抹平 |
| SVI | stochastic variational inference | 用小批量数据做变分优化 | 适合大数据和在线学习 | 依赖优化稳定性；临床小样本下不一定比完整推断更可靠 |
| Laplace approximation | 在 MAP 附近用高斯近似后验 | 用局部曲率粗略估计参数不确定性 | 快，适合模型比较或初步误差条 | 只看 MAP 附近，无法处理明显非高斯或多峰后验 |
| WAIC / PSIS-LOO | Bayesian model comparison / predictive accuracy 评估 | 比较不同模型、不同先验或不同网络假设的预测表现 | 比只看拟合误差更稳健 | 不能证明模型是真的，只能比较候选模型谁预测更好 |
NUTS 和 ADVI 的关系最适合这样理解：NUTS 更像严谨复核，ADVI 更像快速草图。 NUTS 通过采样保留较完整的 posterior 形状，适合最后报告不确定性；ADVI 通过优化快速给出近似 posterior，适合先看模型是否跑得通、哪些区域可能重要，或者作为 NUTS 初始化。若 NUTS 和 ADVI 对高 epileptogenicity 区域给出相似排序，说明结论更稳；若差异很大，通常提示 posterior 复杂、参数相关强、先验影响大，不能只相信 ADVI 的快速结果。
实际读 Bayesian VEP 结果时，不应只看彩色脑图。更可靠的检查顺序是：第一，看 posterior 是否集中，某个脑区的 epileptogenicity 是稳定偏高，还是 credible interval 很宽；第二，看采样诊断，NUTS 是否有足够 effective sample size、R-hat 是否接近 1、有没有 divergence；第三，看预测检查，模型生成的 SEEG/MEG/fMRI 特征是否能复现真实传播顺序；第四，看模型比较，不同先验、不同连接矩阵或不同 EZ 假设下，WAIC/LOO 或 posterior predictive check 是否支持同一个临床结论 [2]。
一句话总结：MAP 告诉你“最可能是哪一组参数”，NUTS 告诉你“这一判断有多不确定”，ADVI 告诉你“快速近似下大概是什么方向”，WAIC/LOO 帮你比较“哪个候选模型更能预测数据”。 放到术前评估里，它们都只是把不确定性显式化的工具，不能绕过 SEEG 覆盖范围、临床症状、影像病灶和术后结果这些硬证据。
图 2. Jirsa 等 2017 原文 Figure 2，同一患者不同发作类型的 SEEG 记录与模型模拟。原文 PDF 标注为 CC BY-NC-ND 4.0 开放获取 [7]。
图 2 说明 VEP 最有用的地方不是“拟合一条曲线”，而是比较不同网络条件下的传播路径。简单发作、复杂发作和刺激诱发发作在 SEEG 上呈现不同的空间传播，模型也要能解释这种差异。对临床来说，这类图的价值是把“切哪里可能阻断传播”转化成可讨论的网络假设。
Wang 等 2023 把 VEP 推向更接近临床 workflow 的形态：T1/DWI 构建个体结构网络，SEEG 记录用于模型反演和特征约束，再通过 personalized model 估计 EZN，并用虚拟手术回顾性评估切除策略 [5]。他们在 53 例 drug-resistant focal epilepsy 中报告，VEP 估计的 EZN 与临床定义 EZN 有一定空间接近性；在接受手术的患者中，seizure-free 患者的虚拟手术 false discovery rate 低于非 seizure-free 患者 [5]。这里不能把模型当成最终裁判，但它让“术前方案为什么合理”多了一个可复盘的证据层。
4. 从 VEP 到临床预测：模型路线和 AI 路线
目前能看到两条技术路线。
第一条是生理模型路线。Cai 等 2024 用 SEEG 计算 PDC coupling matrix，构建 coupled neural mass model，再通过虚拟 RFTC 或随机虚拟手术比较术后模拟信号，预测射频热凝结局 [4]。
图 3. Cai 等 2024 原文 Figure 1，展示从 SEEG 到 PDC matrix、coupled NMM、参数拟合、虚拟手术和 postoperative simulated signals 比较的流程。原文 PDF 标注为 CC BY 开放获取 [4]。
这张图的逻辑很适合复习 RFTC 预测：先把真实 SEEG 转为方向性连接，再把连接作为模型耦合项；模型拟合后，虚拟移除临床热凝 contacts 或随机 contacts，比较术后模拟信号的 peak frequency。它的优点是可解释，缺点是样本量小，且依赖 SEEG 覆盖、PDC 稳定性和模型参数识别质量。
第二条是数据驱动 AI 路线。DeepEZ 用 resting-state fMRI connectivity 做 EZ localization，核心是把 rs-fMRI parcellation 后的 functional connectivity matrix 输入图卷积网络，同时加入 subject-specific detection bias 和对侧/同侧约束来改善 EZ 分类 [3]。
图 4. Nandakumar 等 2023 原文 Figure 2，展示 DeepEZ 从 rs-fMRI 到 parcellation、connectivity matrix、GCN、bias ANN 和 SOZ/non-SOZ 分类的流程。原文 PDF 标注为 Creative Commons Attribution 4.0 [3]。
DeepEZ 的意义在于它是非侵入式路线：不直接依赖 SEEG，而是尝试从 rs-fMRI connectivity 预测 EZ。文章报告 14 例 focal epilepsy 交叉验证中 accuracy 约 0.88、AUC 约 0.73 [3]。这个结果不能过度外推，因为样本量很小，EZ 标签也受切除边界和术后判断影响；但它说明 AI 可以作为术前假设生成工具，帮助决定哪里值得重点覆盖或进一步验证。
Lucas 等 2024 的 Nature Reviews Neurology 综述给了一个重要提醒：AI 在癫痫中的应用不只是“模型分数高不高”，还涉及数据模态、标注质量、偏倚、可解释性、监管路径、临床工作流和真实世界验证 [9]。在术前评估里，AI 更像是证据分层工具，而不是单独决定手术边界的工具。
5. 多模态病例：局灶和广泛性不一定二选一
Aung 等 2026 的病例很适合把前面的概念落地。患者有长期 absence seizures 和 3 Hz generalized spike-wave（GSW）病史，同时 MRI 有左额叶 malformation of cortical development（MCD）。如果只看 scalp EEG，容易认为是广泛性癫痫；如果只看 MRI，又容易把问题简化成左额局灶灶。作者用同步 SEEG-scalp EEG 和同步 SEEG-MEG 显示，这更像是局灶结构异常与分布式丘脑-皮层网络的相互作用 [10]。
图 5. Aung 等 2026 原文 Figure 1，展示 Phase I scalp EEG、MRI、同步 SEEG-scalp EEG 和刺激诱发事件。原文为 Wiley/ILAE OA PDF，页面注明 OA articles governed by applicable Creative Commons License [10]。
图 5 的关键不是“看到一个 MCD 所以切除”，而是时间顺序：scalp 上有 GSW，SEEG 中双侧额叶和丘脑同步参与，但 MCD 区没有自发 focal IED；刺激 MCD 邻近 contacts 后，先出现局部 afterdischarge，随后出现双侧额叶和丘脑参与，再延迟出现左侧运动相关皮层的局灶演变 [10]。这更支持“病灶调制网络”，而不是简单证明“病灶是唯一 SOZ”。
同一篇病例文章不能只放一张图，因为它的证据链分成 SEEG-scalp EEG、SEEG-MEG 原始波形、早期源定位和后期网络传播几个层面。下面几张图需要连着看。
图 6. Aung 等 2026 原文 Figure 2A，同一段 GSW 中 SEEG 与 MEG 的同步原始信号 [10]。
图 6 把一串 GSW 拆成了可定位的连续峰值。彩色竖线标记同一个 spike-wave complex 内部的多个峰值，后续源定位正是围绕这些短时间窗展开。它提醒我们，GSW 不是一个静态标签，而是有内部时序的网络事件。
图 7. Aung 等 2026 原文 Figure 2B-D，展示连续 GSW 峰值的早期到中期皮层源定位 [10]。
图 7 中，早期峰值主要涉及双侧后部皮层，随后左额叶和额顶区域逐渐参与。它的意义在于反驳“GSW 必然全脑同时同步”的直觉：即使是广泛性 spike-wave，也可以在毫秒尺度上有空间传播和重组。
图 8. Aung 等 2026 原文 Figure 2E-G，展示后续 GSW 峰值的双侧网络传播 [10]。
图 8 显示后期网络进一步转向额叶、后顶叶和对侧皮层参与。结合 SEEG 中丘脑 contacts 的同步活动，这篇病例最合理的解读是：局灶 MCD 与广泛性丘脑-皮层网络并存并相互耦合；切除左额病灶后，强直-阵挛发作消失，但丘脑 RNS 仍能记录 spike-wave 活动且刺激未开启 [10]。因此，手术获益更像是改变了网络进入临床严重发作的通道，而不是把所有 GSW 网络活动完全清除。
6. 读这些文章时要带着限制看
这些研究很有启发，但不能被读成“模型已经能替代临床定位”。VEP 研究常受限于植入覆盖、参数可识别性、真实外部验证不足；DeepEZ 这类 AI 研究常受限于样本量、标签噪声和中心效应；单例多模态病例证据很细，但不能自动推广到所有 combined generalized and focal epilepsy。
更稳妥的使用方式是把它们放在术前评估的不同位置：网络分析帮助提出可检验假设，SEEG 验证时间顺序和深部网络参与，VEP/神经质量模型评估传播和虚拟干预，AI 从非侵入式数据中生成候选区域，多模态同步记录用来拆解局灶和广泛性网络之间的耦合关系。
最后的 takeaway 很简单：SEEG 不只是“哪根电极先动”，而是把临床症状、结构病灶、连接组、动力学和干预结果连接起来的时间轴。 这也是 VEP、AI 和同步 SEEG-MEG 这些方法真正能接上的地方。
参考文献
[1] Stacey W, Kramer M, Gunnarsdottir K, et al. Emerging roles of network analysis for epilepsy. Epilepsy Research. 2020;159:106255. doi:10.1016/j.eplepsyres.2019.106255
[2] Hashemi M, Vattikonda AN, Jha J, et al. The Bayesian Virtual Epileptic Patient: A probabilistic framework designed to infer the spatial map of epileptogenicity in a personalized large-scale brain model of epilepsy spread. NeuroImage. 2020;217:116839. doi:10.1016/j.neuroimage.2020.116839
[3] Nandakumar N, Alexopoulos AV, Prayson RA, et al. DeepEZ: A Graph Convolutional Network for Automated Epileptogenic Zone Localization From Resting-State fMRI Connectivity. IEEE Transactions on Biomedical Engineering. 2023;70(1):208-220. doi:10.1109/TBME.2022.3187942
[4] Cai T, Lin Y, Wang H, Luo C. Predicting radiofrequency thermocoagulation surgical outcomes in refractory focal epilepsy patients using functional coupled neural mass model. Frontiers in Neurology. 2024;15:1402004. doi:10.3389/fneur.2024.1402004
[5] Wang HE, Scholly J, Triebkorn P, et al. Delineating epileptogenic networks using brain imaging data and personalized modeling in drug-resistant epilepsy. Science Translational Medicine. 2023;15(680):eabp8982. doi:10.1126/scitranslmed.abp8982
[6] Proix T, Bartolomei F, Guye M, Jirsa VK. Individual brain structure and modelling predict seizure propagation. Brain. 2017;140(3):641-654. doi:10.1093/brain/awx004
[7] Jirsa VK, Proix T, Perdikis D, et al. The Virtual Epileptic Patient: Individualized whole-brain models of epilepsy spread. NeuroImage. 2017;145:377-388. doi:10.1016/j.neuroimage.2016.04.049
[8] Jirsa VK, Stacey WC, Quilichini PP, Ivanov AI, Bernard C. On the nature of seizure dynamics. Brain. 2014;137(8):2210-2230. doi:10.1093/brain/awu133
[9] Lucas A, et al. Artificial intelligence in epilepsy: applications and pathways to the clinic. Nature Reviews Neurology. 2024;20:319-336. doi:10.1038/s41582-024-00965-9
[10] Aung T, Tao JX, Goksu E, et al. Insights from multimodal simultaneous SEEG-EEG and SEEG-MEG recordings: A case of combined generalized and focal epilepsy. Epilepsia. 2026. doi:10.1002/epi.70249