利用生物物理约束深度神经网络从头皮 EEG 对癫痫发作源进行成像

基于摘要分析。该研究面向药物难治性局灶性癫痫的发作源定位，考察深度学习源成像框架 DeepSIF 能否从头皮 EEG 重建发作活动的空间与时间信息。核心贡献是利用发作期振荡的神经群体模型生成合成训练数据，并通过计算机仿真及患者数据验证其源成像能力。 方法机制：训练数据由神经群体模型生成，旨在具有与发作期动力学相似的空间、时间和频谱特征，使 DeepSIF 的训练依托生物物理模拟，而非仅依赖患者数据。摘要未说明生物物理约束如何具体进入网络或训练过程，也未提供网络结构、损失函数、头模型及推理流程，这些信息尚未验证。 验证与结果：作者在计算机仿真和一个包含 33 名药物难治性局灶性癫痫患者的队列中进行验证，患者数据为 76 通道高密度 EEG 发作记录，并将 DeepSIF 估计与手术切除结果及发作起始区（SOZ）比较。作者报告，相对于切除区域，空间特异性为 96%，空间离散度为 3.80 ± 5.74 mm；从 SOZ 到重建结果的平均距离为 10.89 ± 10.14 mm。作者还报告其发作源时空信息估计优于其他方法，但摘要未列出对照方法、对应指标或统计检验，不能据此判断优势在不同协议下的稳定性。 解释与复现边界：这些结果支持进一步评估 DeepSIF 用于非侵入性癫痫发作源成像的潜力，但不等于已证明其能够改善临床决策或手术结局，也不是 BCI 解码效果的证据。复现需核对合成数据生成参数、患者数据划分、切除区域与 SOZ 的参照构建方式、各空间指标的定义及汇总方法。实验协议、消融及统计信息尚未验证，代码和数据可用性亦未由摘要确认。