综述：海马硬化识别的影像组学、机器学习和深度学习：系统性综述与诊断性荟萃分析

本综述系统评价了人工智能（AI）与影像组学在诊断颞叶癫痫（TLE）海马硬化（HS）中的应用，证实AI模型（如支持向量机SVM）具有高敏感性（0.91）和特异性（0.9），AUC达0.96，优于传统方法（EEG/MRI），为临床无创诊断提供新思路。

　　

海马硬化诊断的新纪元：AI与影像组学的突破性进展

引言
海马硬化（HS）作为颞叶癫痫（TLE）的核心病理特征，其诊断长期依赖脑电图（EEG）和磁共振成像（MRI），但存在灵敏度不足和主观偏差的局限。近年来，人工智能（AI）与影像组学的结合为这一领域带来革命性变革——通过机器学习（ML）和深度学习（DL）算法挖掘医学图像中的隐匿特征，实现超越人眼识别的精准诊断。

方法学革新
研究团队遵循PRISMA-DTA指南，系统性检索了PubMed/Embase等数据库，纳入6项关键研究。采用双变量模型整合数据发现，AI模型对HS的总体敏感性达90%（95% CI: 83–94%），特异性91%（95% CI: 83–96%），曲线下面积（AUC）高达0.96。值得注意的是，纯AI模型（敏感性0.92，特异性0.93）表现优于AI联合影像组学的混合策略（敏感性0.88，特异性0.9）。

算法性能对决
在众多算法中，支持向量机（SVM）以92%的敏感性和95%的特异性拔得头筹，紧随其后的是卷积神经网络（CNN）和逻辑回归（LR）。这种差异可能源于SVM对高维特征空间中小样本数据的出色处理能力，而CNN虽在图像特征提取上占优，但需要更大训练数据集支撑。

临床转化挑战
尽管结果令人振奋，研究者指出当前模型存在显著瓶颈：一是缺乏外部验证队列，二是算法可解释性不足（如DL的"黑箱"特性），三是影像组学质量评分（RQS）普遍中等。此外，如何将AI输出与临床决策工具（如诺莫图）整合仍需探索。

未来展望
随着技术迭代，AI有望成为EEG/MRI的互补工具，尤其适用于高风险人群或影像学阴性病例。若能解决标准化和泛化性问题，这种非侵入性方法或可重塑癫痫诊疗流程，从术前评估到个性化治疗选择，最终改善患者预后——正如研究者所言："这不仅是技术的胜利，更是对患者生活质量的深远承诺。"

（注：全文严格基于原文数据，未添加主观推断）