基于深度学习的中央颞区棘波自限性癫痫中癫痫样放电检测

基于摘要分析。本研究针对中央颞区棘波自限性癫痫（SLECTS）患者头皮 EEG 中中央颞区棘慢波（CTSW）的自动检测，采用卷积神经网络进行片段级分类，再根据是否检出 CTSW 判定整段 EEG 是否阳性。其主要贡献是将发作间期癫痫样放电（IED）的标注范围限定为形态较一致的 CTSW，以降低临床标注负担，并评估两级检测流程。 标注与方法：两名神经科医生标注了 20 名 SLECTS 患者的 1672 个 CTSW。片段级检测使用这 20 名患者及 20 名对照的记录，构建 CTSW 与非 CTSW 的二分类模型，并将分类阈值调整至该阶段特异度为 100%。随后，将阈值调整后的模型应用于未用于片段级检测的另外 50 名患者及 50 名对照的记录；整段 EEG 检出至少一个 CTSW 即判为阳性，未检出则判为阴性。摘要未说明片段级训练、验证划分及阈值选择所用数据，相关协议尚未验证。 结果：在上述独立记录的 EEG 级检测评估中，作者报告平均敏感度为 99.8%、特异度为 98.4%、Accuracy 为 99.1%，对照记录的平均误检率为 0.19 次/小时。片段级阈值设定的 100% 特异度与独立记录上的 EEG 级特异度属于不同评估层级，不能混为同一结果；摘要也未说明这些平均值的汇总方式。 适用范围与复现核对：研究对象是 SLECTS 相关 CTSW，而非所有 IED，也不是 BCI 解码任务。作者认为该方法可能辅助 EEG 判读与 SLECTS 诊断、降低标注负担，但摘要未提供临床工作流中的耗时或负担变化数据。复现需核对 EEG 采集与预处理、片段长度、非 CTSW 样本构建、模型结构、阈值确定方式、基线比较及统计不确定性；实验协议、消融及统计信息尚未验证，代码和数据可用性亦尚未验证。