微型AI讀取兒童腦波揪癲癇，揭示大腦抗偵測原因

紐西蘭一個研究團隊開發出一款體積極小的深度學習模型，能夠直接從原始腦波記錄中偵測兒童的癲癇發作。這項發表於《Results in Engineering》期刊的研究不僅成功偵測癲癇，更進一步揭示了部分患者的癲癇發作為何難以被傳統方法察覺。

根據世界衛生組織（World Health Organization）估計，全球每千人中有 4 到 10 例活動性癲癇病患，尤其在中低收入國家發生率偏高。及早發現癲癇對於即時介入治療並改善患者預後至關重要。傳統上，醫生透過判讀腦電圖（EEG）來偵測癲癇，但這項工作耗時費力，且需要高度專業知識，加上腦波訊號本身信噪比低且不穩定，往往使癲癇發作的準確識別更為複雜。

為解決這些挑戰，研究團隊引入了一個精簡的時間卷積網路（TCN）模型。該模型僅包含約 70 萬個可訓練參數，大小約 2.71 MB，小巧的體積使其能應用於多種情境。它能直接處理多通道腦波訊號，無需繁瑣的預處理步驟，有效保留了訊號的自然變異性。研究團隊在波士頓兒童醫院與麻省理工學院合作建立的 CHB-MIT pediatric EEG dataset（包含 23 名患有頑固性癲癇的兒童頭皮腦波連續記錄）上進行了訓練與評估。

在嚴格的「留一記錄案例交叉驗證」（LORCO-CV）評估下，該模型仍達到平均 82.3% 的準確度。研究人員指出，此數字較以往部分研究低，是因為他們刻意不排除較難偵測的病例或過濾掉大量雜訊，以更真實地反映臨床挑戰。在另一種「案例分組五摺交叉驗證」下，模型準確度則能達到 98.2%。

這項研究最關鍵的發現是透過光譜分析，揭示了癲癇發作時腦波在低頻帶（如 delta 和 theta 波）功率顯著增加的特徵。對於不易被偵測的案例，其腦波往往表現出非典型特徵，例如在非癲癇狀態下就有高頻率的 delta 波，或癲癇發作時缺乏明顯的低頻增強。這些深入的分析有助於理解為何某些患者的腦波難以透過自動化系統偵測。

參與研究的 哈米德·阿巴西（Hamid Abbasi）、喬安妮·戴維森（Joanne O. Davidson）等研究人員強調，這項工作超越了單純的分類準確度，透過檢視不同患者的偵測差異並提供訊號層級的解釋，為未來結合輕巧深度學習模型與個案特定光譜分析的癲癇偵測系統，奠定了重要基礎，也有助於提升偽警報的減少。