结合专家知识的 AI 在静息态 fMRI 癫痫发作起始区定位中优于单独使用 AI

基于摘要分析。本研究针对难治性癫痫患者的癫痫发作起始区（SOZ）定位，将专家对静息态 fMRI（rs-fMRI）功能连接组的判读知识与深度学习（DL）结合，并与单纯 DL 比较。主要研究对象是影像辅助癫痫定位，而非 EEG 解码或 BCI 控制。 研究纳入52名难治性癫痫儿童的 rs-fMRI 数据，患者随后接受颅内 EEG（原文 ic-EEG）检查，其中25人在有手术指征时接受了癫痫控制手术。功能连接组数据此前由两名癫痫专科专家独立分类，类别包括测量噪声、典型静息态网络连接和 SOZ；研究据此训练整合专家知识的深度网络。摘要未说明专家知识如何进入模型、网络结构、训练目标或两名专家意见的整合方式。 在摘要所述 SOZ 定位评估中，作者报告专家知识结合 DL 的 Accuracy 为“84.8&”（原文如此，单位符号待核对），F1 为91.7%；单纯 DL 的 Accuracy 低于50%，F1 为63%。这些结果来自上述研究队列，但被试内或跨被试协议、训练与测试划分、评价单位及 SOZ 参考标准尚未验证，不能据此判断对未见患者的泛化性能。颅内 EEG 和手术结局在标签构建及结果验证中的具体作用也需查阅全文。 作者指出，始于灰质、经过白质并终止于血管区域的激活模式，是专家识别出的最具区分力的 SOZ 特征，并认为知识整合可能有助于解释 SOZ 中的共激活模式。这是作者对影像特征及其解释价值的结论，不等同于已确认的致痫机制。复现需核对功能连接组构建、专家标注规则、知识编码方式、基线设置及评价标准；实验协议、消融及统计信息尚未验证。摘要没有提供可直接迁移至 EEG/BCI 的独立算法机制，因此不据此提出 BCI 有效性结论或迁移实验建议。