融合深度学习与专家知识，基于 rs-fMRI 定位儿童药物难治性癫痫的发作起始区

基于摘要分析。该研究面向儿童药物难治性癫痫（PRE）的术前发作起始区（SOZ）定位，提出 DeepXSOZ，将深度学习的空间特征编码与浅层学习的专家知识编码结合，辅助筛选静息态 fMRI（rs-fMRI）独立成分。其主要研究对象是影像辅助术前定位与专家筛选流程，而非 EEG 解码或 BCI 控制。 研究背景是：rs-fMRI 经独立成分分析后，可为 iEEG 深部电极布置提供定位参考，但手术团队需为每位患者人工筛选数百个独立成分，限制了流程的可重复性与可用性。摘要指出，单独使用深度学习能够表征脑网络空间特征，但在稀缺儿童数据条件下面临精确率不足；基于专家规则的浅层学习则难以覆盖完整的空间特征谱。DeepXSOZ 通过结合两类信息构建专家在环的独立成分筛选方法，具体网络结构、融合机制与训练目标尚未验证。 作者报告，在包含 52 名 PRE 儿童、与作者所称当前先进方法比较的评估中，DeepXSOZ 的敏感度为 89.79%、Precision 为 93.6%、Accuracy 为 84.6%，筛选工作量减少 6.7 倍。摘要未说明数据划分、各指标的统计单位、参考标注及具体对照方法，因此这些结果不能直接视为跨患者泛化能力或临床结局改善的证据。 作者还报告进行了知识水平消融，并提出可根据手术团队的专业能力，将系统配置为优先减少专家筛选负担或保持较高敏感度。将 rs-fMRI 用作低成本门诊术前筛查工具属于作者提出的潜在应用，尚不能据此认定其已获临床验证。复现需核对独立成分生成与标注流程、专家知识编码、配置规则、患者级划分以及筛选工作量的计算口径；实验协议、消融及统计信息尚未验证。