Machine learning in epilepsy

doi:10.1016/j.eplepsyres.2026.107792

Machine learning in epilepsy

2026-05-01

1

PRE

AI

J

Javier Pérez-Villavicencio

M

Martinez-Rojas, Vladimir Allex

DOI：10.1016/j.eplepsyres.2026.107792

原文链接

原文求助

摘要

En 中文

癫痫是一种复杂的神经性障碍，其特征是病理过程在多个生物尺度上展开，从细胞兴奋性和突触整合到在脑电图（EEG）记录中可观察到的大规模网络动态。尽管传统分析方法提供了有价值的见解，但它们通常无法捕捉当代电生理学和临床数据集的高维和非线性结构。因此，机器学习（ML）已崛起为癫痫研究中强大的分析框架，尽管其快速应用揭示了算法性能与生物学可解释性之间日益扩大的差距。本文考察了在三个分析上不同但相互关联的层面上运行的ML方法：（i）使用高维电生理数据进行细胞水平表型分型的无监督学习；（ii）用于基于EEG的癫痫发作检测和预测的有监督学习；（iii）整合神经元和网络动态的多尺度建模框架。我们并非提供算法的详尽目录，而是聚焦于ML应用背后的推断假设、限制泛化和临床相关性的方法论陷阱，以及如何将ML衍生的表示纳入既有的神经生理学理论中。我们强调，无监督ML有助于识别传统单变量分析中难以发现的潜在兴奋性表型和轨迹，而有监督ML在自动化癫痫发作检测和预测方面取得了显著进展，尽管仍存在数据泄露、类别不平衡和模糊的发作前标记等持续挑战。我们主张，最有前景的方向在于将ML嵌入多尺度机制模型中，其中数据驱动的推断促进参数估计和假设生成，而非黑箱预测。通过优先考虑可解释性、严格验证和多尺度整合，ML增强的多尺度框架为构建具有临床实用性的癫痫模型提供了途径。

Keyword:

Machine learning

EEG analysis

Multiscale computational models

Patch clamp recordings

Intrinsic excitability

Machine learning in epilepsy

摘要

期刊

机构