Localising the Seizure Onset Zone from Routine Interictal and Ictal Scalp EEG Via a Factorised Spatiotemporal Ensemble Deep Learning Framework

癫痫是一种大脑经历突然、无诱因的电风暴并导致癫痫发作的疾病。对于许多人来说，常规药物无法阻止这些事件，使他们在“忍受癫痫风险生活”或“接受脑手术以移除引起问题的特定组织”之间面临艰难的选择。这种手术的成功完全取决于能否找到电风暴的确切起点，即癫痫发作起始区。目前，医生依赖于长期的住院监测来捕捉正在发生的癫痫发作，这一过程可能需要数天时间，要求患者停止服药，并带有显著风险。或者，他们使用直接置入大脑的侵入性电极，但这涉及手术及潜在的并发症。由于捕捉到癫痫发作是罕见且困难的，医生通常不得不根据癫痫发作之间的安静时期（即发作间期）来推测问题所在。这些安静时期包含微小、转瞬即逝的电脉冲，它们蕴含着关于癫痫起源的线索，但这些信号在通过头骨和头皮到达头表传感器时，往往会变得微弱且失真。

一位研究人员开发了一种新的计算机系统，旨在读取这些安静时期，并在无需侵入性手术或等待癫痫发作的情况下，精准定位可能的癫痫发作起源位置。他们创建了一个深度学习框架——一种通过实例进行学习的人工智能类型，该框架是在成千上万小时的药物难治性癫痫患者常规脑波记录上训练而成的。该系统被教导去识别癫痫发作之间出现的细微电脉冲模式，并将其映射到大脑的六个主要区域。为了实现这一点，研究人员构建了一个模型，将电信号的时序与其在头皮上的位置视为两个独立但相互关联的事件。这种设计有助于计算机理解信号在不同测量位置可能会呈现出不同的形态，从而克服了电流穿过头部时产生的自然模糊现象。该模型在大型患者群体上进行了测试，并证明了极高的准确性，能够正确识别出涉及的大多数大脑区域。即使是在处理来自不同医院的数据以及针对儿童的记录时，它也表现出色，这表明它能够处理现实医疗实践中的自然变化。

研究人员整理了一个庞大的数据集，包含来自100名患者的6,000多小时脑波记录。他们对数据进行了精细的清洗，去除了噪声并标准化了信号测量方式，然后将其输入系统。计算机被训练去寻找持续时间从零点几秒到零点几秒不等的特定形状的电脉冲。该系统并没有试图寻找单一的完美模式，而是使用多层分析法来捕捉不同速度的信号，就像病理学家通过不同倍数的显微镜观察组织样本，既能看到精细细节，也能看到宏观结构一样。一旦系统识别出这些信号，它就会使用一种专门的方法来判定这些信号源自大脑的哪个部分。它通过将“何时”发生信号的问题与“何处”记录到信号的问题分离，从而比以往的方法更清晰地追踪电活动的路径。

这项研究的结果令人鼓舞。当在一组从未见过的患者数据上进行测试时，该系统在近89%的记录中正确识别了癫痫发作起始区。这一表现显著优于现有的计算机模型，后者在处理标准非侵入性记录时，往往难以区分不同的脑区。该系统在对来自另一家医院的独立患者组（包括许多儿童）进行测试时，也展现出了卓越的可靠性，准确率超过84%。或许最重要的一点是，在对没有癫痫病史的健康人群记录进行测试时，该系统没有产生任何误报，正确识别出不存在癫痫活动。这种区分真实脑电信号与无害噪声的能力对于临床应用至关重要，因为这意味着该工具可以被信赖，仅在真正需要医生介入时才发出警报。

除了准确性之外，该系统还带来了速度上的巨大提升。一段典型的24小时脑活动记录，通常需要专家团队花费数小时甚至数天进行人工审查，而该系统仅需四分多钟即可完成处理。计算机实际进行脑波分析的时间不到八秒；其余时间则用于单纯读取数据文件并为分析做准备。这种速度意味着该工具可以用于快速筛查患者，为专家提供需要详细审查的最可能关注区域。研究人员强调，该系统的目的并非取代神经科医生的判断，而是作为一名强大的助手。通过缩小搜索范围并提供关于癫痫可能起始位置的清晰、基于数据的建议，它可以帮助医生制定更精确的手术方案，并减少患者接受长期、高风险监测或侵入性操作的需求。

研究还探讨了当系统没有提供明确的脉冲发生标记时（模拟现实场景中医生可能没有完美的事件日志记录）的表现。即使在这种条件下，系统仍保持了较高的准确度，在约三分之二的情况下正确识别了脑区，这比随机概率有了显著提升。研究人员发现，该系统在识别额叶和颞叶（癫痫最常见的部位）的癫痫方面表现尤为出色。尽管在识别枕叶（位于头部后方）方面准确度略低，这可能是由于通过头骨检测该区域信号的难度较大，但该系统仍能比以往的方法更频繁地识别出这些病例。研究人员还指出，该系统学会了忽略常见的干扰因素，如肌肉运动或眨眼，这些因素常会干扰其他计算机程序，因为它专注于电信号在脑内传播的特定方式，而非仅仅关注其形状。

这项工作代表了使癫痫治疗更安全、更高效的重要进展。通过证明常规、非侵入性的脑部记录包含足够的信息来高精度定位癫痫来源，研究人员为诊断开辟了一条新路径。该系统能够在不同患者群体（包括来自不同医院的儿童和成人）之间进行泛化，这表明它可以在全球范围内的诊所中作为可靠工具使用。虽然研究人员承认，在开展前瞻性临床试验以确认这些发现之前，仍需进一步测试，但目前的成果为未来实现无需侵入性程序的快速、准确诊断奠定了坚实基础。该工具充当了复杂、嘈杂的脑波数据与医生所需的清晰、可操作信息之间的桥梁。