人工智能助力偏头痛分类：基于体感诱发电位的神经网络研究

《The Journal of Headache and Pain》：Artificial neural networks applied to somatosensory evoked potentials for migraine classification

偏头痛诊断缺乏有效生物标志物，当前依赖临床标准存在局限性。研究人员运用人工神经网络（ANNs）分析体感诱发电位（SSEPs）数据，区分偏头痛患者与健康个体。结果显示 ANNs 模型表现良好，为偏头痛诊断提供新方向。

　　在全球范围内，偏头痛是一种极为常见的疾病，尤其在 50 岁以下人群中，它是导致残疾的主要原因之一，在年轻女性群体里更是居于首位。然而，寻找一种可靠的生物标志物来诊断偏头痛，一直是头痛研究领域的一大难题。目前，偏头痛的诊断主要依据临床标准，但这种方式并不能全面反映偏头痛的异质性，难以满足精准医疗的需求。

在此背景下，来自意大利罗马萨皮恩扎大学（Sapienza University of Rome）等机构的研究人员开展了一项研究，旨在探索人工神经网络（ANNs）利用神经生理学记录区分偏头痛患者和健康个体的潜力。该研究成果发表在《The Journal of Headache and Pain》上，为偏头痛的诊断带来了新的思路和方法。

研究人员采用了多种关键技术方法：招募了 91 名发作间期的无先兆偏头痛（MO）患者和 86 名健康志愿者（HV）作为研究对象；通过刺激手腕处的右正中神经记录体感诱发电位（SSEPs），并分别分析低频率 SSEPs（LF-SSEPs）和高频振荡（HFOs）；运用主成分分析（PCA）和前向特征选择（FFS）技术对数据进行降维处理，挑选出相关特征；构建多层感知器神经网络模型，将经 PCA 或 FFS 处理后的特征输入模型进行训练、调优和性能评估。

研究结果主要包括以下方面：

• LF-SSEP 和 HFOs：MO 组与 HV 组在年龄和刺激运动阈值上无显著差异，但 MO 组女性比例更高。与 HV 相比，MO 患者的 P25-N33 峰峰值幅度增加，N20-P25 第一块平均反应幅度降低，且在 1-2 和 1-3 块间的幅度斜率增加，表明其习惯化不足；MO 患者的 pre-HFO 幅度较低。
• 基于 PCA 训练模型的性能：PCA 分析表明前四个主成分可解释 95% 的总方差，以此训练的 ANN 模型在区分 MO 和 HV 时，中位准确率约为 68.9%，AUC 为 0.75。
• 基于 FFS 训练模型的性能：FFS 选出 Slope 1-2、P25-N33 和 pre-HFO amp 作为关键特征，用其训练的 ANN 模型表现更优，中位准确率达到 72.8%，AUC 为 0.79。

研究结论和讨论部分指出，ANNs 模型在区分 MO 患者和 HV 方面表现良好，其中基于 FFS 训练的模型性能更优。这一成果表明 ANNs 有望成为一种无创的偏头痛分类工具，为临床应用和深入了解偏头痛诊断提供了新途径。

不过，该研究也存在一些局限性，如样本量有待增加，研究对象仅涵盖无先兆偏头痛患者，性别分布不均衡等。未来研究可在更大样本、不同偏头痛亚型以及整合多模态数据等方面展开，进一步验证研究结果，提高模型性能和适用性。