AI 赋能电休克疗法：机器学习框架精准解锁癫痫发作检测与质量评估新密码

为解决 ECT 缺乏标准化方案、癫痫发作检测及质量评估难题，波恩大学医院和汉堡 - 埃彭多夫大学医院研究人员开展相关研究，开发出 ML 框架。其能精准检测癫痫发作并评估质量，为 ECT 个性化治疗提供新方向，值得科研读者一读。

　　

在医学领域，治疗难治性重度抑郁症（MDD）和双相情感障碍（BD）一直是个棘手的问题。这些疾病不仅严重影响患者的心理健康，还给社会带来了沉重的经济负担。目前常见的治疗策略，像更换或联合使用抗抑郁药物、进行特定的心理治疗干预等，效果并不总是尽如人意。于是，神经刺激疗法，比如重复经颅磁刺激或电休克疗法（ECT），就进入了人们的视野。ECT 是一种比较成熟的治疗方法，对于 MDD 和精神分裂症都有较高的缓解率，耐受性也不错。但尴尬的是，ECT 居然没有一个国际标准化的最佳实践方案，这就好比在茫茫大海里行船，却没有一个准确的航海图。

在 ECT 治疗中，癫痫发作（ictal）和脑电图（EEG）的一些参数，比如心率变化等，可能对治疗效果有预测价值。但现在的问题是，怎么量化癫痫发作的质量，并且把它和 ECT 的治疗反应联系起来，研究结果一直不太稳定。而且，关于 ECT 治疗后认知效应的发生和持续时间的相关预测指标也很有限，不同的技术参数和患者因素都会让认知效应的程度有所不同。就像不同的食材和烹饪方式会做出不同口味的菜肴一样，ECT 的各种因素组合起来，让治疗效果变得难以捉摸。

还有，目前关于 ECT 癫痫发作质量的研究，大多依赖治疗前后预先计算的 EEG 癫痫发作质量指数。数据收集也主要靠手动转移到外部数据库，不仅耗时费力，还容易出错。市面上的 ECT 设备虽然有自动确定癫痫发作持续时间的功能，但相关研究样本量小，在常规临床实践中，准确判断癫痫发作的终止时间还是个大难题。现在也没有被广泛接受的计算机化且开放的 ECT 癫痫检测方法，已有的基于分形维数（FD）和熵的算法，只关注癫痫发作终点检测，样本量小，还容易受误差和噪声干扰。总之，在 ECT 癫痫检测和治疗优化方面，还有很多空白需要填补。

为了解决这些问题，来自波恩大学医院和汉堡 - 埃彭多夫大学医院的研究人员在《Scientific Reports》期刊上发表了一篇名为《Machine learning framework for electroconvulsive therapy-induced seizure detection and quality index extraction》的论文。他们开发了一种基于机器学习（ML）的框架，希望能在 ECT 癫痫检测和治疗优化方面取得突破。研究结果显示，这个框架在区分癫痫发作和非癫痫发作的 EEG 片段方面表现出色，还能计算出和现有预计算分数至少一样可靠的癫痫发作质量指标，为 ECT 治疗的个性化和精准化提供了新的可能。这就像是给 ECT 治疗装上了一个智能导航，让医生能更好地把握治疗方向。

研究人员在这项研究中用到了几个关键的技术方法。首先，他们使用了一种叫 GENET - GPD 的工具来系统地收集标准化的纵向数据，这些数据包含了各种治疗变量、社会人口学特征、生物信号（EEG、ECG）以及设备计算的癫痫发作质量指数。接着，他们把收集到的数据导入到 Python 环境中进行处理。在处理过程中，用到了很多核心库，对缺失的临床数据进行了填补。对于 EEG 数据，他们把单通道 200Hz 的 EEG 记录分割成 1.28s 的片段，提取相关特征，然后用随机欠采样平衡数据，再进行特征缩放和主成分分析（PCA）。最后，他们用了五种不同的机器学习算法，包括随机森林（RF）、决策树（DT）、支持向量分类器（SVC）、k 近邻（KNN）和梯度提升分类器（GPC），对 EEG 片段进行二元分类，并通过五折交叉验证网格搜索来优化超参数 。

下面来看看具体的研究结果。

数据集和临床特征

研究人员收集的数据来自 116 名患者，一共进行了 1634 次 ECT 治疗。这些患者中女性有 75 人，平均年龄 59 岁，年龄范围从 19 岁到 90 岁都有。患者接受的治疗次数最少 5 次，最多 29 次，平均是 14 次。83 名患者达到了治疗响应标准。治疗中使用的电极位置有双额叶、双颞叶、右侧单侧、左侧单侧和左前右颞等不同类型。治疗时传递的电荷在 25 到 1008mC 之间，平均是 370mC。这个数据集就像是一个装满宝藏的盒子，里面藏着很多关于 ECT 治疗的秘密等待研究人员去挖掘。

ML - 基于 ECT 癫痫检测

研究人员把 EEG 记录分解后得到了 38367 个片段，其中癫痫发作片段有 28622 个，非癫痫发作片段有 9745 个。一开始每个片段提取了 34 个特征，经过方差和相关滤波器筛选后，保留了 17 个特征。再通过随机欠采样，让每个标签的数据集都有 9745 个 EEG 片段，然后把这些数据分成训练集（ = 15592）和测试集（ = 3898）。经过主成分分析，把主成分数量减少到 6 个。接着，研究人员对五种机器学习算法进行了超参数优化，总共进行了 6705 次迭代。结果发现，决策树（DT）的准确率、精确率、召回率和 F1 分数都是 86%，ROC - AUC 是 86%，MCC 是 0.72；随机森林（RF）的各项指标都很不错，准确率、精确率、召回率和 F1 分数达到 89% ，ROC - AUC 是 96%，MCC 是 0.80；支持向量分类器（SVC）的准确率、精确率、召回率、F1 分数和 ROC - AUC 都是 89%，MCC 是 0.79；k 近邻（KNN）的各项指标为 88% ，MCC 是 0.77；梯度提升分类器（GBC）的准确率、精确率、召回率和 F1 分数为 89% ，ROC - AUC 是 89%，MCC 是 0.78。综合比较下来，虽然不同算法之间有些差异，但整体性能比较接近。最终，研究人员选择了随机森林（RF）分类结果来确定癫痫发作终点，进而计算癫痫发作质量指数。这就好比在一场比赛中，虽然每个选手都有自己的优势和不足，但经过层层选拔，随机森林（RF）脱颖而出，成为了最适合完成这项任务的 “选手”。

癫痫发作质量指数

研究人员用开发的框架和刺激设备分别分析了 1634 个 EEG 数据，并计算了癫痫发作质量指标。还有 305 个 EEG 数据由 ECT 专家评估了癫痫发作持续时间和 PSI（发作后抑制指数）。在框架分类的 EEG 数据中，有 131 例没有明显的癫痫发作活动，115 例因为记录提前结束或者发作后信号太短，无法准确检测癫痫发作终点，最终检测到 1388 次癫痫发作。刺激设备检测到 1159 次癫痫发作，还有 475 个 EEG 数据没有提供癫痫发作终点。专家评估发现，有 285 次癫痫发作，10 例没有可识别的癫痫发作，10 例不符合最短持续时间标准。通过分析发现，框架计算的癫痫发作持续时间和专家评估、刺激设备计算的结果相关性都非常高，平均差异也很小。框架计算的 PSI 和设备计算的值相关性很强，和专家评估的相关性中等，但和专家评估的平均值有一定偏差。对于其他癫痫发作质量指标，框架和刺激设备计算结果的相关性也都很强，平均差异大多较小，但具有统计学意义。此外，通过各种统计检验发现，癫痫发作质量指标的分布大多不符合正态分布，不同评估方式之间的方差也有差异。不过，整体来看，框架在计算癫痫发作质量指标方面表现还是很不错的，和其他评估方式有较好的一致性。这就好像框架是一个优秀的 “模仿者”，能够很好地模拟专家和设备的评估结果，而且还能提供一些独特的信息。

总的来说，这项研究意义重大。研究人员开发的基于机器学习的框架，在区分癫痫发作和非癫痫发作的 EEG 片段方面表现出了很高的准确性，为计算常用的 ECT 癫痫发作质量指标奠定了基础。不同的机器学习算法虽然在性能上有一些差异，但整体都能比较好地完成任务，其中 SVC 和 RF 表现最为突出。虽然在计算癫痫发作参数时会遇到一些问题，比如可能出现缺失值，但考虑到研究的目标和现有条件，这些结果还是可以接受的。而且，这个框架在癫痫检测方面比刺激设备有了明显的进步，虽然和专家评估还有一些差距，但已经展现出了很大的潜力。

从癫痫发作质量指标的计算结果来看，框架和现有评估方式在很多指标上都有很好的一致性，这说明框架能够可靠地再现一些已有的癫痫发作标记。不过，PSI 这个指标对癫痫发作终点的检测非常敏感，所以准确检测癫痫发作对于计算 PSI 和评估治疗效果至关重要。这项研究为 ECT 治疗领域带来了新的希望，未来可以利用研究中提取的特征，进一步评估它们对治疗成功和减少不良影响的潜在作用。也许在不久的将来，就能开发出更个性化的 ECT 治疗方案，根据每个患者的具体情况，提供更精准的治疗。就像给每个患者量身定制一件治疗的 “防护服”，让他们能更有效地对抗疾病。同时，研究也为开发新的癫痫发作质量标记、基于机器学习的程序指导工具等提供了思路，有望推动 ECT 治疗向数字化、个性化方向发展，让更多患者受益。