对癫痫患者而言，疾病管理从来不是一次诊断、一张处方就能画上句号的事，而是一段长期而复杂的过程：发作是否得到控制、治疗方案是否适合个体、生活是否能够逐步回到稳定轨道，每一项都牵动着患者与家庭的心。
近年来，人工智能逐渐走进癫痫管理的多个关键环节。这些变化正在重塑部分临床实践，也引发了新的思考。爱的发制药，作为一家长期关注癫痫，尤其癫痫罕见病诊疗进展的企业，本篇文章想跟你聊一下：人工智能究竟改变了什么？它又在哪些方面仍然无法替代医学本身？
一、人工智能，作为“第二双眼睛” ，看清病灶
在难治性癫痫术前评估中，结构 MRI(磁共振成像)在病灶定位、切除范围判断以及功能区保护中发挥着重要作用。但一些关键病变，如局灶性皮质发育不良（FCD），在常规 MRI 中并不容易被识别，其诊断高度依赖影像科医生的经验。1
研究显示，基于多项 MRI 特征构建的机器学习模型，可辅助提高 FCD 的检出率。在一项2018年的多中心研究中，这类算法在金标准数据集中的灵敏度可达到 85%，为传统影像评估提供了有价值的补充。2
在手术规划阶段，结合 MRI 数据与人工智能算法构建的“虚拟大脑”模型，还可用于模拟癫痫发作网络，辅助个体化术前决策。这类模型在癫痫发作区定位上的表现，与传统无模型算法相当，同时提供了更具个体大脑结构模型及模拟平台。1
此外，人工智能还被用于 MRI 的自动分割与体积分析，帮助简化术前颅内电极定位流程，支持手术中更快速、精准的操作。1
二、人工智能让“看脑电”不再完全依赖经验
脑电图是癫痫诊断和评估中最常用的工具之一。人工分析结果在很大程度上取决于分析者的专业水平。但在临床实践中，长时间脑电记录的人工判读效率有限。为了实现更客观、快速的分析，人工智能逐渐被引入脑电图诊断中。1
自早期将脑电信号进行数学建模和量化分析以来，基于机器学习和深度学习的脑电图分析方法不断发展。比如ACHARY等人的卷积神经网络算法模型可用于检测癫痫发作并鉴别发作类型，其准确率、灵敏度和特异度分别达89％、90％和95％。3
此外，也有研究显示，基于脑电特征的机器学习算法，可在颅内脑电记录中识别癫痫发作区，准确率可超过 90%。4这些结果提示，人工智能正在成为脑电分析中的重要辅助工具。1
三、提前预警，而非预言：AI 如何“看见”发作风险
癫痫的反复发作和不可预测性，严重着影响患者生活质量。因此，对癫痫发作的预测至关重要。
例如，卷积神经网络被用于脑电数据分析，实现了发作前期与发作期的自动区分。还有研究借助深度学习技术解析癫痫发作脑电图，研发出的预测系统平均灵敏度达到 69%，并探索了在低功耗芯片上运行预测算法的可能性，为可穿戴预测设备提供了概念验证。5
需要注意的是，当前的发作预测并非具体发作时刻的精确预言，而是高风险时间段的预警，但这一突破已为患者争取到宝贵的预警与应对窗口。
四、数据辅助决策：人工智能与抗癫痫药物选择
目前，癫痫治疗仍以药物治疗为主。在现实诊疗中，药物选择往往依赖专家共识与反复试验。但由于个体差异，一部分患者难以在早期获得理想疗效。1
据HAKEEM等人的研究，基于多国、多队列患者数据构建的深度学习模型，可预测初次抗癫痫药物治疗１年内的癫痫控制效果，研究表明该模型具有良好的抗癫痫药物反应的预测能力，提示人工智能可应用于抗癫痫药物反应的预测，从而辅助专家共识决策共同进行癫痫临床药物的选择。6
五、从医院到日常：可穿戴设备延伸管理边界
可穿戴设备凭借其持续监测和多参数采集能力，逐渐成为癫痫管理的重要补充工具。
目前，国内外已研发出多款用于癫痫的可穿戴设备，相关研究充分验证了其在发作诊断中的临床应用价值。如：可穿戴脑电图设备可有效预测癫痫发作；基于加速度信号和皮电活动数据的腕带设备，在诊断惊厥发作时展现出高灵敏度、低虚警率的优势；可穿戴表面肌电仪实时检测全身性强直 – 阵挛发作的灵敏度＞90%，且延迟控制在 30 秒内，性能完全满足患者需求。7
此外，可穿戴设备还被用于长期健康管理，如用药提醒、生活方式管理和发作前驱行为识别，帮助患者更好地参与自我管理。同时也给可穿戴设备开发者、使用者、监管者提出了挑战，如可穿戴设备的安全及隐私、数据库及算法、接受程度，均亟待解决。2
结语｜敬畏医学边界，技术为希望而来
人工智能正悄然改变癫痫管理的多个环节：让诊断更精准精细，让发作预测更贴近临床现实，也让用药决策拥有了更多科学参考维度。但我们也需清醒认识到，这项技术的发展仍离不开高质量临床数据的支撑，仍无法替代医者积淀的宝贵临床经验，更难以完全涵盖患者真实生活的复杂场景。
新技术带来的，从来不是一劳永逸的终极答案，而是让诊疗过程被优化的可能性。面向癫痫这一需要长期守护的疾病，爱的发制药将持续追踪前沿科学进展，并相信在技术迭代与临床实践的双向奔赴中，终将为癫痫患者与家庭，铺就一条更安心、更有希望的长期管理之路。
参考资料：
1.唐雨珊，李蕃，尚伟. 人工智能在癫痫精准诊疗中的应用[J]. 精准医学杂志, 2025, 40(5): 465-468.
2.SPITZER H, RIPART M, WHITAKER K, et al. Interpretable surface-based detection of focal cortical dysplasias: A Multi-centre Epilepsy Lesion Detection study[J]. Brain, 2022, 145(11): 3859-3871
3.ACHARYA U R, OH SL, HAGIWARA Y, et al. Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals[J]. Comput Biol Med, 2018, 100: 270-278.
4.BALAJI S S, PARHI K K. Seizure onset zone (SOZ) identification using effective brain connectivity of epileptogenic networks[J]. J Neural Eng, 2024, 21(3): doi: 1088/1741-2552/ad5938.
5.KIRAL-KORNEK I, ROY S, NURSE E, et al. Epileptic seizure prediction using big data and deep learning: Toward a mobile system[J]. EBioMedicine, 2018, 27: 103-111.
6.HAKEEM H, FENG W, CHEN Z B, et al. Development and validation of a deep learning model for predicting treatment response in patients with newly diagnosed epilepsy[J]. JAMA Neurol, 2022, 79(10): 986-996.
7.彭钰娟，师文，韩琳，边梅，汪静容. 可穿戴设备在癫痫患者诊疗管理中的应用进展[J]. 实用心脑肺血管病杂志, 2024, 32(5): 137-139.