癫痫是常见的神经系统疾病，脑电图是其诊断主要工具。
产生发火间期癫痫样放电(IED)作为标志性指标，对付癫痫诊断分类及药物管理至关主要。
目前IED检测仍依赖于癫痫专科年夜夫的判读和手动注释，过程耗时长，且存在主不雅观性。
人工智能赞助可以提高脑电图判读效率、减少人为偏差。
近年来，人工智能剖析检测IED技能飞速发展。

国内外现有IED检测模型多依赖脑电图单维度，检测特异性低。
本研究办理了***数据体量大、检测目标暴露不充分、易受环境滋扰等难点，创新性将***数据转化为可用特色引入脑电深度学习架构，从两个不同维度捕捉IED特色，以达到高准确性检测结果。

研究纳入协和癫痫中央24931个IED***脑电样本用于模型构建。
脑电图数据经短时傅里叶变换、EfficientNetV2-S网络处理，完成电生理特色提取。
***数据首先通过病人检测模型YOLOv5-patient进行目标定位，以去除环境和周围职员的影响，然后采取侦差算法办理病人肢体被遮盖的问题，并通过关键点捕捉细微面部动作，从而将病人全身和面部动作转化为***特色，将***体量大幅减少，实现准确提取特色并担保处理速率。
末了多层感知机将脑电和***特色领悟，全体模型命名为vEpiNet。

多模态IED检测模型示意图

结果显示，该模型可以实现高水平的敏感性、特异性和准确率，每分钟假阳率低于既往研究。
尤其在临床真实环境中，***特色可以显著提高准确率，降落检测误判。

vEpiNet和脑电单维度模型（nEpiNet）测试结果

该模型可嵌入适配的脑电图仪操作系统，目标***脑电数据完成剖析后，在脑电图仪的回放软件上直接呈现标记的检测结果，目前处理一小时***脑电图数据仅需5.7 分钟。

检测示例：垂直线为软件检测结果，提示前后两秒窗口内（如赤色虚线所示）存在IED

引入人工智能对助力脑电图报告的同质化、标准化和规范化具有主要意义，本研究证明多模态技能在IED自动检测中运用的有效性和可行性，为人工智能在脑电图中的运用供应了新的方向。

第一作者：林楠

北京协和医院神经科主治医师。
紧张从事癫痫和脑电图方向事情。

共同通讯作者：卢强

北京协和医院神经科副主任医师。
紧张从事癫痫及脑电图干系临床事情。

共同通讯作者：崔丽英

北京协和医院神经科主任医师。
紧张从事临床神经电生理的运用和研究，善于运动神经元病、神经肌肉病和各种疑难杂症等诊治。