人工智能革新儿科癫痫诊疗：从EEG模式识别到精准手术决策的AI转型

本文系统综述了AI在儿科癫痫诊疗中的前沿应用，针对新生儿癫痫识别困难、耐药性癫痫手术定位不准等临床痛点，揭示了深度学习(CNN/RNN)在EEG自动分析(如SCORE-AI模型)、多模态穿戴设备集成、癫痫灶定位(MELD算法)等方面的突破性进展，证实AI辅助可使癫痫检测特异性提升至85%，术前评估准确性提高30%，为个体化治疗提供新范式。

　　

在儿科神经病学领域，癫痫始终是困扰临床医生的重大挑战。每1000名儿童中就有4-10例癫痫患者，其中约30%会发展为药物难治性癫痫。更棘手的是，新生儿癫痫发作常缺乏典型临床表现，EEG监测需要高度专业化的神经生理学家解读；而耐药性癫痫患者的手术疗效，很大程度上取决于能否精确定位致痫灶——这些临床痛点正是AI技术大显身手的舞台。来自意大利圣拉斐尔研究院等机构的Giovanni Battista Dell'Isola团队在《World Journal of Pediatrics》发表的综述，系统阐述了AI如何重塑儿科癫痫诊疗全流程。

研究团队通过文献计量学方法，筛选了2015-2025年间涉及AI应用于癫痫诊疗的127项关键研究。核心技术包括：1)采用30,493例EEG训练SCORE-AI模型实现异常波形自动分类；2)整合穿戴设备数据(如NightWatch系统)构建多参数预警体系；3)基于MELD项目的MRI影像组学分析定位致痫灶；4)应用支持向量机(SVM)预测手术预后。样本来源涵盖17家医疗中心的儿科及NICU患者队列。

【AI技术用于儿科和新生儿癫痫诊断】通过对比传统机器学习(如k-最近邻算法)与深度学习方法，发现CNN模型DeepSpike在IED检测中灵敏度达94%，但特异性(78%)仍低于人工复核的89%。SCORE-AI模型在30,493例EEG测试中展现出与人类专家相当的分类能力，对癫痫样放电的识别准确率达91%。新生儿领域，EEG声波转化技术使非专业人员识别癫痫发作的准确率提升40%。

【AI优化癫痫手术策略】针对药物难治性癫痫，表面形态学分析算法将FCD检出率从50%提升至85%。在预测手术预后方面，fMRI连接组学特征通过SVM分类器实现86%的准确率，而扩散张量成像的AI分析可提前30分钟预警术后癫痫发作。

【AI驱动的儿科癫痫治疗方法】多中心数据显示，基于EEG特征的LSTM网络预测ASM疗效的AUC达0.82。闭环神经刺激系统中，CNN算法对强直阵挛发作的预测灵敏度达92%，假阳性率仅0.2次/天。

这项研究证实，AI技术正在三个维度改变癫痫诊疗范式：诊断层面，SCORE-AI等工具使EEG解读时间缩短60%；治疗层面，穿戴设备与预测算法的结合使家庭监护成为可能；手术层面，MELD项目使MRI阴性患者的致痫灶检出率提高35%。值得关注的是，针对新生儿开发的声波转化EEG技术，首次实现了非专业人员参与癫痫监测的突破。未来需解决的核心问题包括：1)小样本导致的算法泛化性不足；2)多中心数据标准化；3)实时处理系统的临床验证。随着联邦学习等技术的发展，AI有望在儿科癫痫领域实现从辅助诊断到精准治疗的全程覆盖。