基于 sEEG 自监督学习的耐药性癫痫发作起始区定位

基于摘要分析。本研究针对耐药性局灶性癫痫中发作起始区（SOZ）依赖专家目视判读、耗时且具有主观性的问题，提出自监督 CNN–Transformer 编码器 CSOPE-Net（Contrastive Seizure-Onset Pattern Encoder），用于 SOZ 定位、发作起始表型聚类及可疑触点筛查。其主要研究对象是癫痫术前 sEEG 判读，而非通用 BCI 解码。 方法以 60 秒 superlet 时频谱为输入，通过 InfoNCE 对比预训练学习触点级围发作期表征。摘要未交代正负样本构造、数据增强、预训练数据范围及下游分类器设置，这些实现细节尚未验证。 研究纳入 149 名患者，预先划分为开发队列 119 名与独立留出队列 30 名；后者包括用于分类验证的 18 名良好结局患者，以及用于 SOZ 邻近触点相关发现复核的 12 名不良结局患者。作者报告，留一被试交叉验证的汇总 ROC-AUC 为 0.854，独立留出良好结局组为 0.935，独立外部 HUP iEEG dataset 队列为 0.822。上述数值来自不同评估人群与协议，不宜直接据其差异判断泛化性能升降。 作者报告，学习到的表征可将发作起始模式组织为可重复的表型族，并在不良结局患者中识别出临床标注为非 SOZ、但时频形态接近高置信度 SOZ 的触点；这一信号在留出数据中得到复现。在三名专家参与的盲法复核中，这些触点被认可具有发作起始形态的优势约为匹配非 SOZ 对照触点的 15 倍。该结果支持将其作为重新判读的候选触点，并不等同于确认其致痫性或证明扩大切除范围能够改善结局。 复现需进一步核对触点标签来源、围发作窗口定义、预训练与验证数据隔离、外部队列规模、对照方法、置信区间及专家一致性。完整实验协议、消融与统计信息尚未验证；摘要亦未提供代码或权重信息。