编辑推荐：
摘要
目的癫痫研究长期以来主要聚焦于癫痫发作起始，然而临床医师同样会评估发作起始后的传播模式。本研究旨在使自动化癫痫发作分析与临床实践保持一致，利用深度学习标准化医师间存在差异的发作标注，并阐明不同患者间共有的发作传播模式。
方法研究人员首先在少量患者子集上开
摘要
目的癫痫研究长期以来主要聚焦于癫痫发作起始，然而临床医师同样会评估发作起始后的传播模式。本研究旨在使自动化癫痫发作分析与临床实践保持一致，利用深度学习标准化医师间存在差异的发作标注，并阐明不同患者间共有的发作传播模式。
方法研究人员首先在少量患者子集上开发深度学习算法以检测发作活动，随后将这些算法部署于71例患者的275次发作中，分析发作传播的范围、时序、手术结局及常见模式，并结合弥散加权成像(DWI)探究这些模式与大脑结构连接的关联。
结果以医师标注为基准，深度学习算法在发作起始触点排序任务上的表现优于线长度(LL)、绝对斜率(AS)和宽带功率(BP)等单一特征。研究人员发现，预后不良患者的发作累及脑区更广泛，且颞叶间传播速度更快。结合DWI分析显示，颞叶间结构连接增强与发作传播加速相关。最后，研究人员基于传播时序、位置和范围识别出了跨患者共有的传播模式聚类。
解读分析发作传播可揭示癫痫发作演变的新见解及其与癫痫患者手术结局的关系。研究结果提示，超越发作起始的关注对于理解和治疗癫痫至关重要。发表于《ANN NEUROL》2026年刊。
研究背景与意义
癫痫手术的疗效长期停滞不前，术后无发作率在过去30至40年间未有显著提升，且不同中心的疗效差异巨大。传统研究过度聚焦于发作起始区的定位，但临床实践中医师同样重视起始后的传播模式。此外，人类医师对颅内脑电图(iEEG)的判读存在显著的组内和组间差异，缺乏可靠的自动化量化工具。在此背景下，研究人员开展了一项基于人工智能的研究，旨在通过深度学习算法标准化发作标注，系统分析发作传播的时空特征及其与大脑结构连接、手术预后的关系，最终绘制出癫痫发作传播模式的图谱。该研究发表于神经病学顶级期刊《Annals of Neurology》。
关键技术方法
研究人员回顾性纳入71例耐药性癫痫患者（平均年龄33±12岁，女性31例），共采集275次发作数据，其中58例拥有术后2年的Engel评分。电极植入方式包括皮层脑电图(ECoG, n=23)和立体定向脑电图(SEEG, n=48)。研究人员开发了多种深度学习模型（包括WaveNet、一维卷积神经网络(1D CNN)和长短期记忆网络(LSTM)）用于检测单通道的发作状态，并与传统特征（线长度、绝对斜率、宽带功率）进行性能对比。研究采用留一法交叉验证优化模型，并利用自动解剖标记(AAL)图谱将电极坐标映射至脑区。同时，针对22例患者采集的高角度分辨率弥散成像(HARDI)数据，通过DSI Studio软件进行确定性纤维追踪以计算脑区间的结构连接强度。统计分析采用广义线性模型（Tweedie回归）和聚类分析（主成分分析PCA结合k-means）。
研究结果
深度学习算法有效区分单通道发作与发作间期状态
在13例患者的试点样本中，深度学习算法在区分发作期与发作间期状态的AUC值显著优于单一特征（p<0.001，Wilcoxon符号秩检验），表明其捕捉发作动态变化的能力更强。
深度学习算法在发作起始触点排序中优于单一特征
以医师标注为基准，所有6种算法在排序发作起始触点上的表现均优于随机水平（p<0.05）。其中，WaveNet算法的表现最佳，其排序中位数百分比最低，能够最准确地匹配临床医师的判定，因此被选作后续分析的量化工具。
发作传播范围：预后不良患者受累区域更广泛
研究人员从触点数量和脑区数量两个维度量化传播范围。结果显示，尽管预后不良患者植入的触点更多（可能导致计算出的激活比例偏低），但其发作30秒时的激活触点比例和脑区比例仍显著高于预后良好患者（p<0.05）。这表明预后不良患者的发作网络更为弥散，而非局限。
发作传播时序：预后不良患者颞叶间传播更快
分析双侧颞叶的平均激活时间差发现，若发作在5、10、15或20秒内扩散至对侧颞叶，则与术后2年预后不良显著相关（p<0.05）。其中，5秒内扩散的预测特异性高达94%，意味着发作快速播散的患者极有可能无法获得良好的手术效果。
颞叶间结构连接与区域间传播时序相关
在拥有HARDI数据的15例双侧采样患者中，研究人员发现颞叶间的结构连接强度与发作传播速度呈正相关（p<0.005，D2=0.43），即连接越强，传播越快。这种关联仅存在于颞叶，在额叶和顶叶间未观察到。此外，发生双侧颞叶传播的患者，其颞叶间的结构连接显著高于未发生传播的患者（p<0.01）。
发作传播模式的聚类
通过主成分分析(PCA)和k-means聚类，研究人员识别出5种主要的发作传播模式簇。这些聚类与癫痫侧别及电极植入策略高度相关，揭示了不同患者群体间潜在的网络参与模式差异。
讨论与结论
讨论
研究人员指出，仅关注发作起始不足以解释癫痫手术的失败，发作传播模式（范围和时序）是重要的预测标志物。虽然深度学习模型性能优越，但传统的线长度等特征也能提供有价值的信息，且更易在临床环境中推广。研究局限性在于电极植入的采样偏差可能影响聚类结果，且ECoG与SEEG的信号特性差异需在应用时加以注意。未来的研究需要在植入策略更均一的队列中进一步验证。
结论
研究表明，发作起始后的活动模式有助于指导耐药性癫痫的治疗决策，并能提示手术干预或其他治疗方案改善患者生活质量的几率。研究人员建议癫痫研究的重心应从单纯识别发作起始区，转向量化起始后的发作活动模式。
