编辑推荐：
癫痫准确分型对诊疗至关重要，但依赖专家易延误。本研究基于 575 例患者 EEG 等数据，采用 MLP、Random Forest、SVM 等模型，结合 SMOTE 数据增强和 Optuna 调参，构建集成模型。结果显示集成模型分类准确率达 98%，为临床提供可靠决策支持。
癫痫是一种常见的神经系统疾病，全球约有 760 万患者受其困扰。准确区分癫痫类型（如局灶性、全身性等）是制定有效治疗方案的关键，但传统诊断高度依赖专家对 EEG（脑电图）、MRI 等数据的解读，即便在医疗资源发达地区，也常面临诊断延迟或误差的问题。尤其是局灶性与全身性癫痫的鉴别，以及进一步根据 EEG 中癫痫样活动定位进行亚组分类，对临床经验要求极高，难以满足基层医疗需求。因此，开发一种高效、可普及的自动化分类工具，成为提升癫痫诊疗效率的迫切需求。
土耳其阿达纳市培训与研究医院神经内科癫痫综合门诊的研究人员开展了相关研究，旨在利用人工智能（AI）模型，基于 EEG 数据对患者的局灶性（额叶、颞叶、顶叶、枕叶）、多灶性和全身性癫痫样活动进行分类。该研究成果发表在《Epilepsy》杂志，为癫痫的精准诊断提供了新的技术路径。
研究人员采用了以下关键技术方法：
- 数据来源：回顾性收集 2021 年 6 月至 2024 年 7 月期间 575 例患者的病史、检查结果、发作特征及 EEG 数据，构建综合数据库。
- 模型构建：首先应用机器学习架构区分全身性与局灶性癫痫，随后将 EEG 结果分为 8 个子组（正常、额叶、颞叶、顶叶、枕叶、多灶性、全身性、基本节律紊乱）进行多分类。使用多层感知机（MLP）、随机森林（Random Forest）、支持向量机（SVM）三种 AI 模型，并通过 SMOTE 算法进行数据增强以优化数据集。引入 Optuna 框架进行超参数优化。
- 集成模型：最终构建由 MLP、SVM、随机森林作为基础模型，XGBoost 作为泛化模型的集成模型。
研究结果
二分类与多分类任务
在二分类任务中，研究人员首先将患者分为局灶性和全身性癫痫两类。这一分类基于标准医学分类，因为局灶性和全身性癫痫发作具有不同的临床特征和治疗策略。通过机器学习模型的训练，初步实现了对这两类癫痫的有效区分。
在多分类任务中，研究进一步将分类扩展至 8 个类别，包括正常、额叶、颞叶、顶叶、枕叶、多灶性、全身性和基本节律紊乱。通过相同的方法论确保结果的一致性和可比性，旨在提升诊断预测的精细度，为不同类型癫痫的精准诊断提供更全面的依据。
模型性能对比
初始深度学习模型在多分类任务中取得了 89% 的准确率、召回率和 F1 分数。通过 Optuna 框架进行超参数优化后，模型性能显著提升，准确率达到 96%。而提出的集成模型（结合 MLP、SVM 和 XGBoost）表现最为优异，实现了 98% 的最高准确率，展现出更强的分类能力和鲁棒性。
结论与讨论
本研究表明，基于集成模型的 AI 框架能够有效区分 8 种癫痫亚型，为临床提供了更精细、更具临床相关性的决策支持系统。与传统的二分类方法相比，多分类模型显著提高了诊断精度，有助于临床医生制定更精准的癫痫管理和治疗计划。集成模型通过结合多种算法的优势，弥补了单一模型的局限性，在数据增强技术（SMOTE）和特征工程（如 EEG 文本数据向量化结合主成分分析 PCA）的辅助下，克服了样本量有限的挑战，提升了模型的泛化能力。
该研究的意义在于，为癫痫的自动化诊断提供了可推广的技术方案，尤其是在医疗资源分布不均的地区，可辅助基层医生提升诊断效率，减少误诊和漏诊。尽管 AI 无法完全取代临床医生，但将 AI 工具整合到诊疗流程中，有望成为未来癫痫管理的重要辅助手段。研究结果也为其他神经系统疾病的 AI 辅助诊断提供了方法论参考，推动了医疗人工智能在精准医学领域的应用拓展。
