Spike-Wave Index Prediction in Electroencephalography of Children with Self-limited Epilepsy with Centrotemporal Spikes by Using a Transformer with Spatial and Temporal Attention

想象一下，人类的大脑就像一座繁忙的城市，数以十亿计的小型信使（神经元）不断发送信号以维持运转。通常情况下，这些交通流运行平稳，但有时会发生突然的、混乱的交通拥堵，从而引发癫痫发作。为了理解这些拥堵，医生使用一种特殊的工具，叫做脑电图（EEG），这就像是在头皮上放置一个麦克风来记录大脑的电信号“噪音”。对于某种特定类型的儿童癫痫，医生会在这种噪音中寻找一种非常特定的模式：一个尖锐的突波（spike）紧跟着一个慢波（slow wave）。他们需要知道大脑的睡眠时间中有多少比例被这些突波占据。如果“突波波形指数”（SWI）过高，就像是拉响了红色警报，预示着大脑处于一种危险状态，可能会损害孩子的学习和记忆能力。问题在于，手工计数这些突波就像是在开车穿过交通拥堵时，试图数清每一辆车；这既耗时又令人精疲力竭，而且不同的医生可能会有不同的计数结果。

本文介绍了一种全新的、超级智能的数字助手，旨在瞬间完成这项计数工作。研究人员构建了一个名为 STATFS 的计算机模型，它使用了一种被称为“Transformer”的人工智能类型。你可以把这个模型想象成一个侦探，它不仅能倾听大脑的噪音，还能理解其背后的故事。它拥有两个特殊的“超能力”：空间注意力（spatial attention），帮助它聚焦于大脑中问题开始发生的特定区域；以及时间注意力（temporal attention），帮助它追踪这些问题随时间变化的重复情况。通过结合这两项能力，该模型可以观察原始的大脑记录，并在数秒内预测出突波波形指数，而不需要像人类那样花费数小时。研究表明，这个工具比之前的计算机方法更准确，并能帮助医生更快地发现危险模式，从而在严重问题发生前保护孩子的大脑。

聪明大脑侦探的故事

使命：计数混乱
研究人员致力于解决一个涉及患有“局灶性中央颞区棘波自限性癫痫”（SeLECTS）儿童的复杂难题。在这些孩子身上，大脑有时会在睡眠期间发生误放电，产生那些尖锐的“突波与慢波”模式。医生需要计算“突波波形指数”（SWI），这基本上是大脑处于这种混乱状态的时间百分比。如果 SWI 过高（具体为 50% 或 85% 以上），则意味着存在一种严重的状况，称为 ESES（癫痫持续状态伴随慢波），这会损害儿童说话、阅读和学习的能力。

传统上，神经科医生必须坐下来，观察数小时的大脑记录，并手动计数这些突波。这是一项枯燥的工作，每位患者可能需要 1 到 3 小时，而且由于是人工操作，容易出现错误和意见分歧。该团队想要制造一个能够更快、更好完成这项工作的机器人。

工具：戴着两副眼镜的侦探
为了构建他们的解决方案，团队创建了一个名为 STATFS 的深度学习模型。想象这个模型是一个戴着两副特殊眼镜的侦探：

1. 空间眼镜： 这些眼镜帮助侦探找准“位置”。在 SeLECTS 中，问题通常发生在脑部的中央颞区。模型使用“空间注意力”来忽略大脑中的嘈杂部分，并将注意力集中在发生突波的具体通道上。
2. 时间眼镜： 这些眼镜帮助侦探找准“时间”。模型使用“时间注意力”来追踪突波如何重复以及如何随时间演变，从而将它们与正常的睡眠波区分开来。

该模型基于“Transformer”架构构建，这是一种以理解上下文能力闻名的 AI 类型（就像它能帮助聊天机器人理解句子一样）。然而，研究人员对其进行了微调，以处理混乱、低质量的脑波信号。他们加入了一个“线性”的变化，使其更加快速高效，使其能够在不被数据压垮的情况下处理信息。

训练：向 221 名年幼患者学习
为了教导这位侦探，研究人员收集了来自上海儿童医院的 221 名诊断为 SeLECTS 的儿童的数据。他们并非随机抓取片段，而是仔细选择了孩子们自然睡眠中的记录，特别是这些突波最常见的非快速眼动睡眠（NREM）阶段。

• 数据： 记录经过清理，去除了来自肌肉或电源线的噪声，然后转换为计算机可以理解的格式。
• 标签： 专家医生已经审查了这些记录，并以 5% 为间隔标记了 SWI（例如 10–15%、15–20%，直到 90–95%）。
• 测试： 为了确保模型是在真正学习而非仅仅是死记硬背，他们将患者分为两组：80% 用于训练，20% 用于测试。至关重要的是，他们确保没有单个儿童的数据同时出现在两组中，因此模型必须证明它能够处理从未见过的“新患者”。

结果：更快、更敏锐
当团队对 STATFS 进行测试时，它的表现优于其他用于脑电信号的流行 AI 模型。

• 速度： 虽然人类医生分析一段记录需要 1 到 3 小时，但 STATFS 仅需 10 到 30 秒即可做出预测。
• 准确性： 该模型的准确率达到了 76.41%，AUROC（衡量区分高低风险能力的指标）达到了 80.46%。这些数字高于包括 SPaRCNet、CNNT 以及先进的 BIOT 模型在内的其他模型。
• 对比： 研究表明，虽然其他模型在捕捉这种癫痫的特定“局灶性”特征（即聚焦于正确的脑部区域）方面表现挣扎，但 STATFS 的双重注意力系统表现出色。它不仅看到了突波，还理解了它们在哪里以及如何随时间移动。

该模型目前还做不到的事
需要注意的是，这项研究并未声称某些功能。该模型目前执行的是“二分类”任务，这意味着它本质上是在回答这个问题：“SWI 是高（高于 60%）还是低（低于 60%）？”它目前还不能在单次运行中给出像“63.4%”这样精确的数字，也尚未完全取代医生。作者明确表示，这是一个辅助决策的工具，而不是解决一切问题的魔杖。他们也承认，该模型仅在一家医院的数据上进行了测试，因此需要在其他地方进行测试，以确保它在任何地方都有效。

未来：医生的得力助手
研究人员认为，STATFS 可能会成为早期干预领域的游戏规则改变者。通过快速识别高 SWI 水平，医生可以尽早开始治疗，以防止认知能力的下降。然而，他们提醒说，在该工具可以在每家医院投入使用之前，需要在现实场景中针对专家医生进行测试，并整合到医院系统中。目前，这项研究表明，这个新的“数字侦探”是朝着让癫痫护理变得更快、更客观且更少依赖于人类专家有限时间的方向迈出的充满希望的一步。