综述：深度学习在颅内脑电图中癫痫检测的应用：进展、挑战与临床应用

《Frontiers in Neuroscience》：Deep learning in intracranial EEG for seizure detection: advances, challenges, and clinical applications

本综述系统阐述了深度学习(DL)在颅内脑电图(iEEG)癫痫检测与致病灶(EZ)定位中的最新进展，重点分析了卷积神经网络(CNN)、循环神经网络(RNNS)/长短期记忆网络(LSTM)及Transformer等架构在识别高频振荡(HFO)、癫痫样放电(ED)及发作期动力学方面的优势。文章指出，尽管DL模型在准确率上表现出色，但仍面临数据稀缺、异质性、预处理不一致及模型可解释性等挑战。未来，多模态数据整合、可解释AI(XAI)及神经形态计算等方向有望推动DL在癫痫手术规划和患者预后改善中的临床转化。

　　

深度学习在颅内脑电图中癫痫检测的应用：进展、挑战与临床前景

癫痫是一种常见的慢性神经系统疾病，全球约有6500万患者，其中约三分之一属于药物难治性癫痫(DRE)。对于DRE患者，手术切除致病灶(EZ)是重要的治疗选择，其成功关键在于精确识别并完整切除EZ，即能够导致癫痫发作停止的最小皮质区域。传统上，EZ定位主要依赖专家对颅内脑电图(iEEG)记录的视觉分析，但该方法耗时、费力且存在较大的主观差异性。因此，开发自动化、客观的检测工具至关重要，深度学习(DL)技术在此背景下展现出巨大潜力。

1 文献检索方法与策略

为全面评估DL在iEEG癫痫检测中的应用，本研究进行了系统的文献综述。检索数据库包括PubMed、IEEE Xplore、Scopus和Web of Science，关键词组合涉及“深度学习”、“癫痫手术”、“颅内脑电图(iEEG)”、“高频振荡(HFO)”以及具体模型如“CNN”、“RNN”、“LSTM”、“Transformer”等。通过严格的纳入排除标准筛选，最终有146项研究被纳入分析，涵盖了数据集特征、DL架构类型及准确率、敏感性、特异性、曲线下面积(AUC)等性能指标。

2 癫痫中的电生理生物标志物

iEEG分析依赖于特定的电生理生物标志物。高频振荡(HFO)是重要的标志物之一，通常定义为80–500 Hz的瞬态事件，包括涟漪(80–250 Hz)和快速涟漪(250–500 Hz)。研究表明，HFO富集区域与EZ高度重叠，但挑战在于区分病理性HFO(pHFO)和生理性HFO(pHFO)，这需要结合形态学（如波幅、持续时间）和频谱学（如功率分布、相位-波幅耦合）特征。

癫痫样放电(ED)，如棘波、尖波和棘慢波复合波，也是核心生物标志物。它们表现为短暂的高波幅波形。DL技术能够自动化检测和区分这些病理性与良性ED，减少人工分析的工作量和主观性。EZ的概念包含了发作起始区(SOZ)、HFO富集区以及激惹区（发作间期棘波产生区）。DL模型通过整合这些区域的时空特征，为EZ定位提供量化支持。

3 HFO、癫痫样放电和癫痫动力学的深度学习检测

与传统机器学习方法相比，DL能够直接从原始iEEG信号中进行端到端的特征学习，避免了繁琐的手工特征提取。主要架构包括：

• •
  CNN：擅长提取空间特征。研究已成功将其用于HFO检测（如将信号转换为时频谱图并由CNN分类）和ED分析，例如EpiNet模型不仅能检测ED，还能计算数据驱动的癫痫指数(d-EI)，其与手术预后相关。
• •
  RNN/LSTM：专长于建模时间依赖性。双向LSTM(Bi-LSTM)和门控循环单元(GRU)能够有效捕捉癫痫事件的时序演变，在癫痫预测和发作起始定位中表现优异。混合模型（如CNN-LSTM）能同时利用空间和时间信息。
• •
  Transformer：凭借自注意力(Self-Attention)机制，能有效捕捉iEEG信号中的长程依赖关系。诸如Transformer-CNN混合模型或IEEG-CT等架构，在癫痫检测任务中显示出优于传统CNN和RNN的性能，尤其在处理长序列数据时。
• •
  其他架构：如卷积变分自编码器(CVAE)、图卷积网络(GCN)等替代性DL架构也在HFO检测等领域进行了有益探索，通常侧重于无监督或半监督学习，以减少对大量标注数据的依赖。

这些DL方法不仅用于癫痫事件的检测，更重要的是通过生成通道特异性概率图或癫痫指数热图，辅助临床医生定位EZ，为手术规划提供关键信息。

4 方法学挑战与局限性

尽管DL前景广阔，但其临床转化仍面临诸多挑战：

• •
  预处理与特征提取：不同研究在信号滤波、伪迹去除、归一化等预处理步骤以及特征选择上存在差异，导致结果难以直接比较和复现。建立标准化的预处理流程是当务之急。
• •
  数据稀缺与异质性：公开可用的iEEG数据集规模有限，且存在患者群体、癫痫类型、电极放置和记录协议等方面的异质性，影响了模型的泛化能力，容易导致过拟合。
• •
  可解释性与可说明性：DL模型的“黑箱”特性阻碍了临床医生的信任。虽然梯度加权类激活映射(Grad-CAM)、注意力图谱(Attention Maps)等可解释AI(XAI)技术被用于可视化模型决策依据，但如何使模型解释与临床知识对齐仍需深入研究。
• •
  技术细节与硬件限制：检测高频活动（如快速涟漪）需要高采样率（通常≥2 kHz）。此外，将计算密集型DL模型部署到实时临床环境或植入式设备的低功耗硬件上具有挑战性，需要模型轻量化、量化等优化技术。

5 未来方向

未来研究应聚焦于：

• •
  预测建模与结果预测：利用DL模型基于iEEG生物标志物预测手术预后，优化患者选择和手术策略。
• •
  多模态数据整合：将iEEG与磁共振成像(MRI)、功能磁共振成像(fMRI)、脑磁图(MEG)等影像学数据结合，提供更全面的致痫网络视图。
• •
  标准化与泛化：推动大规模、多中心、标准化的iEEG数据库建设，并采用迁移学习、联邦学习等技术提升模型跨中心的泛化能力。
• •
  临床转化与伦理考量：解决数据隐私、算法偏差、成本效益以及监管批准等实际问题，加强工程师、临床医生和患者之间的协作，确保DL工具公平、可靠地整合到癫痫诊疗流程中。

6 讨论与结论

深度学习已成为iEEG分析领域一种变革性的工具，在癫痫检测、生物标志物识别和EZ定位方面显示出超越传统方法的潜力。CNN、RNN/LSTM和Transformer等架构各有优势，混合模型更能综合利用时空信息。然而，数据异质性、模型可解释性、泛化能力以及实时部署的挑战仍需克服。通过多学科合作，解决数据、算法和临床整合方面的关键问题，深度学习有望在未来显著改善药物难治性癫痫患者的诊断精确性和手术治疗效果，最终提升患者生活质量。