深度学习模型SpikeNet2：短时与长时程脑电图癫痫标志物的专家级检测

来自麻省总医院布莱根健康中心等机构的研究人员开发了深度学习模型SpikeNet2，通过残差网络架构和硬负样本挖掘技术，显著降低脑电图(EEG)癫痫样放电检测的假阳性率。该模型在事件级检测中AUROC达0.973，EEG级分类AUROC达0.958，44%专家表现优于模型，为癫痫诊断提供高效自动化工具。

　　

这项突破性研究展示了SpikeNet²在癫痫诊断领域的卓越性能。该深度学习模型基于残差网络架构，创新性地融合硬负样本挖掘技术，将假阳性率控制在每小时仅9个癫痫样放电的极低水平。研究团队分析了来自13,523名患者的17,812份脑电图(EEG)记录，涵盖麻省总医院布莱根健康系统(MGB)、人类癫痫计划(HEP)和SCORE-AI(SAI)三大数据集。

在事件级检测任务中，SpikeNet²交出了AUROC 0.973、AUPRC 0.995的惊艳成绩单，甚至超越56%的临床专家判断。跨中心验证显示，在HEP数据集上仍保持AUROC 0.942的稳定表现。更令人振奋的是，其EEG级分类能力在SAI数据集达到AUROC 0.995的近乎完美水平，相当于每100次诊断仅出现5次误判。

这项由美国国立卫生研究院(NIH)资助的研究，为资源匮乏地区提供了可靠的远程癫痫诊断方案。模型的双重检测机制——既能捕捉毫秒级的癫痫样放电事件，又能评估整段EEG记录的异常概率，堪称人工智能辅助诊断的典范之作。