北京协和医院神经科林楠副教授、脑电图室高源分享（左右滑动查看）

发作间期癫痫样放电（IED）的自动检测在癫痫诊断中具有重要价值，但传统单任务模型常因无法有效区分IED与形态相似的睡眠相关生理波形而产生误判，导致模型在外部验证集上泛化能力不足。为克服这一局限，本研究提出了一种基于硬参数共享范式的多任务学习框架，在统一网络中联合建模IED检测与睡眠特征分析，主要由信号预处理、共享的频率-时间转换模块及两个任务特异性分支组成。模型在一个包含20余万标注样本、同时具备IED与睡眠标注信息的大规模基准数据集上进行开发与验证，并与6个经典脑电IED检测模型进行了系统比较。实验结果表明，该模型取得了当前最佳的检测性能，在维持较高敏感度与特异度的同时，精确率较既往最优模型提升五个百分点，实现了超过七成的精确率水平。消融实验进一步证实，睡眠特征的整合与多任务学习策略均对精确度有明显的改善。该研究表明，多任务学习与睡眠感知特征的联合建模能够有效捕捉多通道电生理信号中的互补模式，为构建具备临床部署潜力的深度学习IED检测系统奠定了坚实基础。

癫痫发作人工智能检测及分类可以解决脑电专家人工判读耗时长、工作量大的临床问题。既往自动检测模型存在数据规模有限、发作类型标签稀缺、缺乏外部验证等不足，本研究汇集北京协和医院、山东大学附属儿童医院、北京大学第一医院的大规模多中心同步视频EEG数据，开发并验证了多模态Transformer网络。该模型利用预训练卷积网络分别提取EEG与视频特征，再通过Transformer实现异质模态融合，完成发作检测与9大癫痫发作类型分类任务。研究采用严格的按患者划分以及跨中心的外部集验证，结果显示模型在发作检测和分类任务上均表现优异，分类准确度与脑电专家相当，并将分析时间从小时级缩短至分钟级。研究还证实视频信息的加入可显著减少假阳性并提升特定发作类型的识别能力，表明该模型在提升癫痫诊断效率与准确性方面具有广阔的临床应用前景。

传统深度学习方法难以捕捉EEG复杂时空模式且缺乏高层时序推理能力，该项研究提出新型视频-大语言框架，将EEG信号视作视觉模式，先通过预训练视觉编码器提取抽象特征，再将其嵌入结构化提示词中交由大语言模型进行语义推理，巧妙融合了卷积网络的空间建模能力与大语言模型的序列推理能力。研究在两个国际公认的癫痫发作检测基准数据集上进行实验，并针对类别不平衡问题采用了基于标签分布先验的调整策略。结果显示该模型在两个数据集上均全面超越既往最佳方法，取得了当前最优表现。该研究证明视觉-大语言范式有望成为稳健、可扩展且具备临床转化潜力的EEG发作检测新路径。

睡眠分期对癫痫诊断至关重要，但传统人工判读主观性强且效率低下，而现有自动睡眠分期模型通常基于多导睡眠监测数据开发，难以直接用于标准EEG记录场景。为填补这一空白，本研究开发了基于Vision Transformer的睡眠分期模型，采用包含睡眠特征提取、级联多层扩张卷积编码等多模块架构，有利于处理多通道数据以保留更完整的脑电信息。模型在北京协和医院EEG数据集上训练与验证，准确率和综合性能均显著优于既往最佳模型，在公开睡眠研究基准数据集上也表现出色。消融实验进一步证实了扩张卷积编码和多通道输入对性能提升的关键作用，为EEG监测场景提供了首个高效精准的自动化睡眠结构评估方案。

卢强教授点评

本次AAN年会集中发布四项癫痫脑电分析专项研究，围绕临床实际需要开展，在技术架构和落地应用层面均有明确推进，充分彰显我国在脑电智能诊断领域的领先研发实力与国际竞争优势。四项研究各有侧重，针对不同的临床问题展开：多任务学习算法有效解决睡眠生理波形对棘波智能识别的干扰；依托大规模多中心临床数据，融合视频多模态技术构建的癫痫发作及分类模型，显著降低误检率；创新联动视觉-大语言模型，妥善解决临床数据类别失衡难题；面向常规临床脑电采集场景的睡眠自动分期算法，弥补了传统PSG专用分期模型无法适配常规脑电图数据的应用短板。总体而言，该系列研究在脑电智能检测技术上从多方位开展了实质性的推进，贴合临床真实需求，为脑电智能分析提供了多元化技术方案，具备较高的临床转化潜力与学术引领价值。

专家简介

卢强 教授

• 医学博士、北京协和医院神经内科 主任医师 

• 现任北京抗癫痫协会常务理事、副会长

• 中国抗癫痫协会理事、结节性硬化症与罕见病专委会副主任委员、脑电图分会常委

• 北京神经内科学会癫痫专业委员会副主任委员

• 北京神经科学学会脑电生理与脑节律疾病专业委员会常委、脑功能疾病与认知发育专业委员会常委

• 北京医学会脑电图与神经电生理学分会委员

• 中华医学会神经病学分会睡眠学组委员