基于轻量级卷积神经网络的ICU脑电图关键模式检测及其临床价值研究

这篇研究创新性地开发了基于EfficientNet架构的轻量级卷积神经网络（CNN），用于重症监护室（ICU）连续脑电图（cEEG）中癫痫发作（SZ）、周期性放电（PD）和节律性δ活动（RDA）等关键模式的自动检测。模型在开源数据集上表现出色（AUROC达93%），并在独立队列中实现癫痫发作后30秒内84%的敏感度，为资源有限环境下实时脑电监测提供了高效解决方案。

　　

摘要亮点

重症监护室（ICU）患者常因非惊厥性癫痫发作和节律性周期性模式（RPPs）需要连续脑电图（cEEG）监测，但实时解读面临资源与专业壁垒。本研究提出轻量级卷积神经网络（CNN），通过时频谱图分析实现六类关键模式的自动分类，包括癫痫发作（SZ）、侧向性/全面性周期性放电（LPD/GPD）和节律性δ活动（LRDA/GRDA）。模型在1950例患者数据中验证，AUROC最高达94%，并在独立癫痫队列中实现发作后20秒内76%的检出率。

方法学创新

数据预处理：采用双极导联和横向导联双蒙太奇，对50秒EEG片段生成128×256时频谱图，通过128点窗口和30%重叠的快速傅里叶变换（FFT）平衡计算效率与分辨率。

模型架构：选用参数量仅530万的EfficientNet-B0，其MBConv模块在保持精度的同时降低计算成本。训练采用五折交叉验证，以KL散度最小化专家标注概率分布。

时序分析：针对日内瓦大学医院15例患者的135次癫痫发作，通过支持向量分类器（SVC）和阈值优化，实现发作后50秒内89%的敏感度，假阳性率控制在22%。

核心发现

模式识别效能：模型对GPD识别最佳（AUROC 94%），但LRDA因皮层下起源的广泛分布特性表现较弱（AUPR仅29%）。嵌入分析显示网络能区分PD与RDA（p<0.001），但对侧向性定位的编码能力有限。

临床时效性：梯度加权类激活映射（Grad-CAM）揭示模型注意力与癫痫发作起始时间高度吻合（图5），未依赖显式标注即实现平均30秒内的时域定位。

校准性能：预期校准误差（ECE）仅2.7%，表明概率输出可直接用于临床报警阈值设定。

应用前景与局限

该模型为ICU中RPPs的实时监测提供了轻量化解决方案，尤其适合资源有限场景。但LRDA检测精度不足可能引发误报警，且未覆盖发作间-发作连续谱（IIC）模式。未来需通过多中心验证和融合心率变异等生理参数进一步提升性能。

（注：全文数据均来自原文，未新增结论；专业术语如EfficientNet-B0、MBConv、Grad-CAM等均按原文大小写格式呈现；时域指标如"50秒"统一用中文表示；统计显著性标注保留原文p值格式。）