基于人工智能的癫痫发作传播模式映射研究

目的：癫痫研究的焦点主要集中在发作起始，然而临床医生通常也会检查发作起始后的传播模式。本研究旨在使自动化癫痫分析符合临床实践，利用深度学习来标准化不同医生间存在差异的癫痫标注，并了解患者间常见的癫痫传播模式。方法：我们在小部分患者子集上开发深度学习算法来检测癫痫活动，并将这些算法部署到71名患者的275次发作中，以分析癫痫传播模式（范围、时间、手术结果和常见模式），同时结合扩散加权成像来理解这些模式与大脑结构连接的关系。结果：以医生标注为基准，深度学习算法在排序癫痫发作起始触点方面优于单一特征（线长、绝对斜率和功率）。我们还发现，预后不良的患者其癫痫发作涉及更广泛的脑区，同时颞叶间的传播速度更快。结合扩散加权成像，我们发现颞叶间结构连接性的增加与更快的癫痫传播相关。最后，我们根据传播时间、位置和范围，识别了患者间常见的传播模式集群。结论：分析癫痫传播可以揭示癫痫演变及其与患者手术预后关系的新见解。研究结果还表明，关注癫痫发作起始之外对于理解和治疗癫痫至关重要。