人工智能辅助脑电图分析在癫痫诊疗中的研究进展总结2026

人工智能辅助脑电图分析在癫痫诊疗中的研究进展总结2026癫痫是一种常见的神经系统疾病，目前全世界有超过5000万患者[1]。癫痫的病理特征是反复发作的异常神经元放电，其诊断主要依靠脑电图(electroencephalogram，EEG)和临床症状学。EEG是研究大脑电生理活动的重要方法，在癫痫的诊断和治疗中起着不可替代的作用[2]。传统的EEG分析主要是依靠专家人工分析，具有分析时间成本高、判断主观性强、漏诊风险高的缺点[3-6]。近年来，随着人工智能(artificialintelligence，AI)技术的发展，研究者开始利用机器学习，尤其是深度学习结合多模态融合技术辅助EEG分析，以实现高质量的脑电数据采集和解读[7]。和传统的人工分析方法相比，AI辅助方法可以显著减轻脑电专家的工作量，提高诊疗效率[8-10]。基于此，本文围绕癫痫发作检测、致痫灶定位和癫痫发作预测这三个主要方向，综述AI辅助EEG分析在癫痫诊疗领域的最新研究进展，评估其临床应用价值，并展望未来研究方向，以推动该技术在癫痫精准诊疗中的应用。一、以卷积神经网络为基础的AI模型在癫痫发作检测中表现出优异性能早期的癫痫发作检测模型主要依靠专家手工定义的波形特征。1972年Stevens等[11]第一次用计算机来自动识别EEG中记录到的癫痫发作信号，其具体方法是将待检测的EEG信号和已设定的标准波形进行比较，如果二者相似度超过一定的程度，则认为是癫痫发作。此后20多年里，该方法被许多研究者沿用。但由于检测效能受限于预定标准的完备性，且研究者所设计的分析模型无法适应EEG中复杂的电伪差及个体差异，该方法未能实现大规模的应用[12]。随着机器学习及其重要分支的不断发展，EEG的分析范式发生了根本改变。机器学习可以让计算机从数据中自动学习数据特征并做出预测，深度学习则可以用多层神经网络结构来自主学习数据中所含有的分层特征，而卷积神经网络(convolutionalneuralnetwork，CNN)因其对网格结构数据(如图像、序列等)有较好的处理能力已被广泛应用。基于以上进展，研究人员开始采用离散小波变换等方法来提取EEG特征，这大大提高了EEG分析的速度和准确性[13]。其中，CNN凭借强大的空间、时间特征提取能力，在癫痫样放电检测任务中取得了较高的灵敏度和特异性[14-16]。2024~2025年基于CNN的AI模型辅助EEG检测癫痫发作的研究总结见表1。(一)基于一维CNN的分析模型一维CNN(1D-CNN)模型可以直接对原始的一维脑电时间序列进行处理，利用卷积核自动提取与癫痫发作相关的时序特征(如癫痫样放电开始、持续时间和信号形态)。该模型无需时频变换，既可降低计算量，又能保留EEG信号的原始时序信息，适用于癫痫实时发作检测，具备大规模临床应用前景[27-28]。1D-CNN模型在公开数据集中的癫痫发作检测准确率、灵敏度与特异性等关键指标均表现良好，其准确率可达90%以上。例如，Gao等[29]提出一种以金字塔结构为特征提取层、用生成对抗网络进行数据增强的1D-CNN模型，其不仅能在跨EEG数据集验证中保持良好的泛化能力，同时还能减小计算复杂度；Ahmad等[30]构建的1D-CNN-双向长短期记忆(bidirectionallongshort-termmemory，Bi-LSTM)网络模型，在公开数据集中的癫痫发作检测准确率接近99.5%，灵敏度和特异性都超过98%；Qiu等[31]专为超低功耗、可穿戴设备设计的轻量级LightSeizureNet模型，在波士顿儿童医院－麻省理工学院(CHB-MIT)数据集中的癫痫发作检测准确率达到了99.77%，充分体现了1D-CNN高效、实时检测的特点。上述研究表明，1DCNN轻量化的结构与快速计算速度使其易于集成至便携式及可穿戴EEG监测设备中，推动癫痫在临床及家庭场景下的长期自动化监测。(二)基于二维CNN的分析模型二维CNN(2D-CNN)模型将一维的EEG时间序列用时频分析转化成二维的时频图像，把癫痫发作识别问题变成更加成熟的图像分类任务，以便更有效捕获棘波、尖波在时域和频域上的联合特征。该模型计算复杂度适中，在癫痫发作检测方面应用更为广泛。Quon等[32]提出的AiED模型对于典型脑电信号模式的癫痫发作检测率为98%，但是对于信号模式不典型的癫痫发作识别能力只有66%，揭示了2D-CNN的性能边界。为弥补这一不足，Lourenço等[33]采用VGG模型进行优化，该模型在测试中表现出99%的特异性与79%的灵敏度，并且每2分钟可分析240个EEG样本，假阳性率仅有0.19%。此外，Tjepkema-Cloostermans等[34]发现，经过大量时频图像训练的2D-CNN模型，在成人EEG癫痫发作自动检测中的灵敏度和特异性能够达到90%以上。Sun等[35]提出的MavenNet模型，则是利用2D-CNN有效融合多通道的空间信息，经验证，在3个公开数据集上的检测准确率超过99%。这些成果均说明通过优化分析模型、利用大规模数据训练以及融合多通道信息等多种方式，能够显著提升2D-CNN模型在复杂癫痫发作检测任务中的性能，这为其临床应用奠定了坚实基础。(三)基于三维CNN的分析模型尽管2D-CNN模型检测效果良好，但其在处理多导联EEG数据时常把各个通道视为独立图像，忽略了电极在头皮空间分布中所具有的宝贵拓扑信号。为此，研究者们研发了能直接处理三维数据的三维CNN(3D-CNN)模型。该类模型将多导联EEG数据构造成三维数据立方体(空间×空间×时间或者空间×时间×频率)，从而同时学习癫痫样放电的时频特性以及其在头皮表面的空间传播方式。Wei等[36]构建的3D-CNN模型便是先将各通道的EEG时间序列转化为二维图像，再根据电极的空间位置关系堆叠成三维图像；该模型经含13例癫痫患者的临床数据集检验后，取得了准确率大于90%、灵敏度88.90%、特异性93.78%的综合性能。在癫痫发作检测中，3D-CNN的应用比1D-CNN、2D-CNN少。这主要源于三者的不同特点：1D-CNN计算效率最高，最适合进行数据的实时处理；2D-CNN在检测效率、实用性和综合性能之间取得了较好的平衡；而3D-CNN虽然可以同步、联合地学习最丰富的时间、空间和频率特征，但是存在计算成本高、数据量大、模型复杂、容易出现过拟合等问题，限制了其普及。(四)多种模型优势互补成为主流临床实践中，EEG分析存在波形变异及个体差异的挑战，通用型CNN模型难以充分适应复杂的临床需求。因此，将CNN和其他模型相结合构建混合模型是当前的新兴研究方向，相关探索主要体现在以下4个方面。1.

多尺度特征提取：为了克服癫痫样放电持续时间、频率、形态等各方面的巨大差异，Sun等[37]将1D-CNN和Transformer模型整合构建U-IEDNet混合模型：1D-CNN捕捉局部的时间特征，Transformer模型则融合多通道的空间信息，通过优势互补对发作间期癫痫样放电进行灵活高效的高精度分类，检测准确率能够达到91.1%且假阳性率为3%。2.

结合时序建模：癫痫发作在EEG中的表现，本质上是具有特定时间序列模式的瞬态电生理事件。为充分利用癫痫发作时EEG的空间和时间信息，Srinivasan等[38]提出了由3D深度卷积自编码器和Bi-LSTM构成的混合深度学习模型，该模型在CHB-MIT数据集验证中取得了均超过99%的准确率、灵敏度、特异性和精确率，性能远优于单一CNN模型。3.

应对数据局限的模型设计：高质量标注数据量的不足是医疗AI研发中的普遍性问题。KashefiAmiri等[39]构建的CNN-长短期记忆(longshort-termmemory，LSTM)网络混合模型采用离散小波变换对EEG信号进行解析，并利用1D-CNN提取空间特征、LSTM提取时间特征，最后通过全连接层对特征进行分类，且不需要人为预先对大量EEG数据进行处理，最终该模型在3个大型公开数据集中均取得了超过94%的准确率。但是由于公开数据集与真实临床数据之间存在一定的差别，该模型还需要开展进一步的临床实用性验证。4.

提升模型临床泛化能力：为解决模型从公开数据集向真实临床环境迁移时的泛化问题，使用多中心临床数据进行训练与验证成为关键策略。Lin等[40]将CNN和视频网络融合成多模态模型vEpiNetV2，并采用来自3家医院的真实临床数据对其进行训练和验证；经测试，曲线下面积(areaunderthecurve，AUC)均大于0.96，表现出优异的跨中心应用能力，使不同医疗中心应用统一模型成为可能。二、多模态融合增强致痫灶定位精度准确的术前定位对致痫灶切除至关重要，它不仅可以帮神经外科医生精确规划致痫灶切除范围，还能在最大程度保留神经功能的同时保证充分切除病灶，从而有效地降低术后复发的风险。传统的偶极子源定位法需通过专家肉眼识别发作间期癫痫样放电，并对其进行溯源分析以确定致痫灶位置，存在效率低、主观性强等不足。近年来，基于AI辅助EEG分析的方法在致痫灶定位中发挥了重要作用，大大提高了定位精度。(一)仅利用EEG分析致痫灶的AI模型1.

传统机器学习模型因模型简单、容易解释而被广泛应用：支持向量机、随机森林等机器学习模型在特征驱动的场景中有着重要作用，目前已被广泛用于EEG分析。然而，这些模型一般都依靠人工提取频谱功率、连接性或者统计描述量等特征。例如，集成模型(如FREEZ模型)在致痫灶定位中具有较高的预测价值，但其定位性能很大程度上取决于特征选择及数据质量[41]。Xu等[42]采用极端梯度提升(XGBoost)模型结合立体定向脑电图(stereo-electroencephalography，SEEG)动态特征进行分析，在含有61例癫痫患者的数据集中取得了AUC0.905、准确率87.0%的性能。Besheli等[43]通过使用字典学习剔除伪高频振荡，再经随机森林分类器判别，实现了92.14%的真伪高频振荡区分准确率，有效提高了致痫灶定位的精度。这些研究均体现了传统机器学习在特定任务中的实用价值及其对特征选择的依赖。2.

深度学习模型因强大的特征提取能力而具有巨大的应用前景：CNN、循环神经网络、Transformer模型等深度学习模型可以直接从数据中学习复杂的非线性模式，显著降低了对人工提取特征的依赖，具有对高维输入的良好适应性以及易于实现多模态融合的优势。研究显示，SZTrack、多尺度残差网络等深度学习模型在多中心的数据处理中均表现出稳定的致痫灶定位能力[44-45]。Johnson等[46]基于Multi-Scale-1D-残差学习(ResNet)改进的模型，利用皮质－皮质诱发电位信号，在10例颞叶癫痫患者中得到了敏感性74.0%、特异性78.5%的分类效果，可有效区分单侧和双侧内侧颞叶癫痫。此外，通过组合不同的网络模块构建混合模型，可进一步提升模型的综合性能。Craley等[47]将1D-CNN和LSTM结合提出了SZTrack模型，实现了从癫痫活动追踪和癫痫发作起始区定位的端到端学习，并在约翰·霍普金斯医院收治的34例癫痫患者EEG数据中取得了最高82.6%的准确率。Sun等[48]提出的DeepSIF模型是一种基于生物物理约束的深度神经网络，该模型使用神经质量模型生成的合成数据训练后，在33例癫痫患者的头皮EEG数据上实现了非侵入性癫痫发作起始区定位，经验证，空间特异性可达96%。尽管上述深度学习模型显著提升了致痫灶定位的准确性，但其决策过程通常被视为“黑箱”，缺乏可解释性。模型透明度不足给临床接受度带来了挑战，认识决策背后的理论基础是保证患者健康安全的重要前提[49]。(二)多模态融合和虚拟建模是新兴趋势结合EEG、fMRI、PET、MRI、心电图等多种模式的数据可以更加全面地体现癫痫网络，并且能够辅助致痫灶切除手术规划，实现个体化预测，提高临床实用性[6]。Xiao等[50]基于多模态数据(EEG、CT和MRI)在SEEG引导下把电极分为癫痫发作区、传播区和非受累区，利用电极位置以及分类信息确定致痫灶的解剖边界，定位的平均准确率达到了98.08%。需指出的是，该研究结论仅基于15例癫痫患者的数据集得出，其有效性与普适性有待通过多中心、大样本量的前瞻性研究进一步验证。此外，Wang等[9]提出虚拟癫痫患者(virtualepilepticpatient，VEP)模型，通过整合患者的解剖学和功能数据，并利用机器学习方式对致痫灶进行精确定位，从而为个性化术前评估和临床决策提供技术支持；经试验证明，VEP识别区域和临床专家用多种方式综合分析得到的区域之间平均最小距离仅有5.67mm，具有较高的空间一致性。与前述小样本研究不同，VEP模型已在更大的数据集上完成验证，并已进入前瞻性临床试验阶段。VEP模型有望成为首个可开展临床应用的系统，为致痫灶切除手术的精准定位提供了可能。然而，此类虚拟建模策略在不同患者人群中的可扩展性、临床适用性仍有不足。未来研究应将简化虚拟模型的建立过程和术中系统集成结合，以更好地指导致痫灶切除手术决策。三、ResNet联合对比学习可实现癫痫发作预测AI模型的临床部署癫痫患者常因发作的不可预知性而长期处于焦虑和恐惧之中，生活质量受到严重影响，因此，有效的发作预测具有重要的临床意义。癫痫发作预测旨在通过对EEG信号的时间模式进行分析，识别发作前细微的临界变化，以实现提前预警，减少癫痫发作。理想的预测系统应具备高灵敏度、高特异性及低误报率，而传统的信号处理方法很难解决EEG信号固有的复杂性和个体差异性。为此，研究者正积极引入AI技术，以推动癫痫发作预测向更可靠、更实用的方向发展。(一)ResNet在癫痫预测中的高效应用ResNet常被应用于图像分类任务，使用ResNet的模型可以有效区分癫痫发作前期和发作间期的EEG片段，这对准确预测癫痫发作至关重要。Singh和Lobiyal[51]将人工划分的“发作前”时段作为ResNet50-LSTM模型的输入特征，在CHB-MIT数据集的验证中取得了能提前5min预测癫痫发作的效果，且准确率达94.5%、灵敏度达93.7%、假阳性率仅为5.5%。与之相似的是，Jiang等[52]将时间注意力模块与预训练的ResNet结合，提出了TASM-ResNet模型，取得了平均AUC为0.877的效果。ResNet50-LSTM模型和TASM-ResNet模型的共同优点是模型中所保留的脑电基本节律信息可直接传送到深层网络，而深层网络只需要专注于学习癫痫样放电相关的残差特征，因而能够避免网络过深而导致的信号丢失。这也说明基于ResNet对癫痫发作进行预测的方法尤其适用于EEG等高维时间序列数据的分析任务[51]。(二)对比学习在数据有限场景下的优势对比学习(contrastivelearning，CL)是一种自监督学习方法，在癫痫发作预测中具有广泛应用前景。当标注数据不足时，CL的数据表征能力优于ResNet[10]。Guo等[53]采用CL进行预训练，提取了通用的发作前EEG数据特征，显著提高了模型面对单个患者标注数据较少时的适应性及预测能力，AUC能够达到0.918。相比于传统的CL模型，Qi等[54]建立的分层次CL模型可以更好地区别癫痫发作前期和发作间期状态，即使在有限监督的情况下也能学习判别性特征；该模型在CHB-MIT数据集上的测试取得了良好成果：在不加任何标注数据的情况下，准确率为94.51%，灵敏度为95.05%，假阳性率仅为2.4%，预测时间为20.12min。然而，该模型因对中央处理器能耗需求过大，难以被嵌入到临床工作流程中，还需进一步简化模型结构。值得注意的是，Zhang等[55]基于微小CNN构建的轻量级模型SiaNet、TriNet，利用了CL减少模型计算量，但仍可达到较高的预测精度，尤其适用于可穿戴设备和移动医疗系统等临床应用场景。(三)ResNet与CL的融合创新基于ResNet建立的深层网络虽有较高的稳定性，但其在标注训练数据不足时仍易出现过拟合的问题。CL虽降低了对标注数据的依赖，但计算复杂度高、占用内存大的缺点限制了实际应用。基于此，研究者把ResNet和CL结合进行优势整合，创建了CL-ResNet模型[10]。该模型使用CL创建样本对，为ResNet网络提供准确的学习数据特征，显著降低了对大量标记数据集的依赖，提高了模型的检测效果以及临床适用性。与以往使用CNN的方法相比，该方法在准确率和灵敏度方面均表现更优。CL-ResNet模型为癫痫发作预测提供了创新性解决方案，使癫痫发作预测AI模型的临床部署成为可能。四、现有研究的局限性(一)数据稀缺与样本不均衡限制了AI辅助EEG分析的泛化能力癫痫研究中常面临标注完整的EEG资料不足、样本量少、发作类型不均衡等问题。这些问题不仅会影响深度学习模型的训练效果，还会造成分类偏差，出现精度下降的情况。例如，Zhang等[56]对仅9例术后无癫痫发作患者的EEG数据进行分析并建立模型，导致模型过于依赖与手术决策相关的非普适性特征，而非纯粹的致病性生物电特征。由此产生的偏倚使得模型难以泛化至新的癫痫患者、不同年龄组或存在病理异质性的群体，应纳入更多的患者并扩展EEG数据范围，以提高深度学习算法的准确性和稳定性。现有较多研究基于单个数据集开发模型，这限制了模型在不同人群中的泛化性能。Monsoor等[57]开发出一种用深度学习进行高频振荡分类的方法，用于预测癫痫手术结局；但该模型仅使用15例儿科患者睡眠期的EEG数据进行训练和验证，并没有评估清醒状态下EEG记录中的混杂因素，降低了该模型的普适性。另一项研究中的SCORE-AI模型只采用成人常规EEG数据建立模型，并没有考虑新生儿及危重患者群体，也限制了其临床适用范围[3]。(二)深度学习模型的“黑箱”性质造成了AI辅助EEG分析的临床信任和应用受限目前，脑电分析领域的深度学习