GEM-CRAP：一种精准检测局灶性癫痫发作的融合架构，为癫痫诊疗带来新突破

《Journal of Translational Medicine》：GEM-CRAP: a fusion architecture for focal seizure detection

为解决当前机器学习和深度学习模型在检测短暂、局部性癫痫发作时效果不佳的问题，研究人员开展了名为 GEM-CRAP（gradient-enhanced modulation with CNN-RES, attention-like, and pre-policy networks）的研究。结果显示该模型在公共数据集和宣武医院数据集中表现优异，对癫痫诊疗意义重大。

　　癫痫，这一古老又神秘的慢性神经疾病，如同隐匿在黑暗中的幽灵，悄然影响着全球约 7000 万人的生活。它以自发癫痫发作作为显著特征，给临床诊断和治疗带来了巨大挑战。尽管目前有 20 多种抗癫痫药物可供使用，但仍有近三分之一的患者无法仅通过药物控制病情，部分患者甚至需要接受手术治疗。然而，对于那些癫痫病灶广泛分散、定位困难或者与大脑功能区重叠的患者来说，手术治疗不仅难以实现，还可能带来记忆、语言障碍等潜在的神经风险。

在这样的困境下，神经影像技术为癫痫诊断提供了一定的帮助，但脑电图（EEG）凭借其记录大脑电活动的独特优势，成为了提升癫痫诊断和优化治疗策略的关键。其中，颅内脑电图（iEEG），像立体脑电图（SEEG）和皮层脑电图（ECoG），能够更清晰地展现大脑内部活动，精准定位癫痫病灶。

不过，现有的癫痫检测算法存在诸多不足。基于线长、面积和阈值限制的传统算法，常常忽略复杂的大脑节律活动，导致将正常放电误判为癫痫发作。而当前基于人工智能（AI）的深度学习算法，虽然在公共数据集上对特征明显的全身性癫痫分类表现出色，但在捕捉微妙的癫痫事件方面却力不从心。

为了突破这些困境，首都医科大学宣武医院等机构的研究人员开展了一项极具意义的研究。他们提出了一种名为 GEM-CRAP 的监督多层混合模型，旨在更精准地检测局灶性癫痫发作。这项研究成果发表在《Journal of Translational Medicine》上，为癫痫的诊断和治疗开辟了新的道路。

研究人员在此次研究中用到了多个关键技术方法。首先，采用了来自宾夕法尼亚大学医院的 HUP iEEG 数据集和首都医科大学宣武医院的 SEEG 数据集。利用 Brainstorm 和 EEGLAB 开源工具包对数据进行预处理，包括带通滤波、去除工频干扰、下采样等操作。模型构建方面，运用了卷积神经网络 - 残差网络（CNN-RES）模块、具有类似注意力机制的幅度感知通道以及基于长短期记忆网络（LSTM）的预策略层，并使用支持向量机（SVM）进行二次训练。

研究结果如下：

• 模型训练和验证：通过交叉熵损失、平均绝对误差（MAE）和均方误差（MSE）等指标评估模型训练和收敛情况。结果显示，训练和验证的交叉熵损失逐渐降低，误差也逐渐减小并趋于稳定，表明模型的分类性能不断提升，预测准确性逐渐提高。
• 模型测试：
  • 混淆分析：利用热图展示混淆矩阵的数值分布。结果表明，该模型在 ECoG 和 SEEG 数据集上表现良好，能正确分类大多数实例。但去除预策略网络后，0 类（发作间期）的误分类率显著增加，这充分证明了预策略网络的重要性。预策略网络可以过滤掉发作间期脑电图中的干扰，帮助模型更准确地提取与静息状态脑节律相关的关键特征。同时，研究还发现预策略网络能有效降低假阴性率（FNR），而假阳性率（FPR）受数据集复杂性等因素影响，在不同子集间有一定变化。
  • 偏差分析：基于平均通道偏差率对 ECoG 和 SEEG 测试数据集进行详细分析。结果显示，ECoG 数据的偏差率主要为正向，意味着模型在检测癫痫发作前期状态时略有延迟；SEEG 数据的总体偏差率较高，正负偏差分布相对均匀。不过，对于两个数据集，模型的绝对偏差率均保持在 6% 以下。
  • 分类准确率：该模型在 ECoG 数据集上表现最优。对于包含全身性强直 - 阵挛发作（GtcS）的 SEEG 数据，模型对 “1” 标签（代表全身性强直 - 阵挛发作状态）的识别能力与在 ECoG 数据上的表现相差不大，但由于处理多模态数据的挑战，整体数据集的性能略有下降。在宣武医院的 FS（局灶性癫痫发作）数据集中，清醒状态下的 FS 更容易被模型分类，准确率高达 94.1%，甚至超过了整体数据集（Subset 5）的表现；睡眠状态下的 FS 分类准确率虽相对较低，但也接近 90%，且模型对发作前期状态的检测仍保持较高水平，睡眠状态下对癫痫状态的召回率没有明显下降，表明模型对睡眠中的 FS 仍具有较高的敏感性。此外，与其他经典癫痫检测模型相比，GEM-CRAP 在包含局灶性癫痫特征的宣武医院 SEEG 数据集上表现更优，对短时长局灶性癫痫特征的识别能力更强。
  
  
• 消融实验：对比预策略网络启用和禁用时的模型训练结果。当预策略网络禁用时，模型在所有指标上的分类性能均显著下降，尤其是在整体数据集（Subset 5）上表现更差。这表明随着数据复杂性的增加，预策略网络对模型的积极影响更为显著，有助于更好地进行梯度下降优化。
• 相关性分析：分析 HUP iEEG 数据集中癫痫发作状态的时间分布与模型预测的通道准确率之间的关系。结果发现，两者之间存在显著的正相关。在 SEEG 数据中，皮尔逊相关系数为 0.703（p<0.05），斯皮尔曼相关系数为 0.855（p<0.05）；在 ECoG 数据中，皮尔逊相关系数为 0.954（p<0.05），斯皮尔曼相关系数为 0.896（p<0.05），这表明输入时间分布与通道准确率之间存在明显的线性和单调关系。

研究结论和讨论部分指出，GEM-CRAP 模型通过自适应调整和注意力机制，在复杂信号环境中表现出更高的精度和鲁棒性，能够更准确地识别局灶性癫痫的关键发作特征，不仅提高了癫痫发作间隔的检测能力，还增强了对特定癫痫波形（如高频振荡 HFOs）的识别和分析能力，为更精准、个性化的癫痫诊断和治疗奠定了基础。

然而，该模型也存在一些局限性。例如，固定的序列长度可能限制了模型处理不同长度序列的灵活性；只考虑了频率分量的幅度绝对值，未纳入相位信息；模型缺乏明确的随机种子设置，导致每次运行结果略有差异；样本量有限，可能影响模型在更广泛人群中的通用性；并且模型缺乏先进的可解释性算法。

尽管存在不足，但这项研究依然为癫痫诊疗领域带来了新的希望。它推动了癫痫智能检测技术向更广泛应用的方向发展，为未来闭环神经刺激疗法提供了潜在的 AI 算法支持。相信在未来，随着研究的不断深入和技术的持续改进，这些问题将逐步得到解决，为癫痫患者带来更多的福音。