International Journal of Neural Systems | 我院周毅教授团队报道基于预训练脑电大模型的ESES检测新方法
脑电信号智能分析是推动癫痫诊疗精准化、高效化的核心技术方向，大规模预训练模型的兴起为突破临床小样本场景下的算法泛化瓶颈提供了全新路径。儿童睡眠中癫痫性电持续状态（Electrical Status Epilepticus during Sleep, ESES）是一类严重影响认知发育的癫痫性脑病，其临床诊断高度依赖专家对脑电棘慢复合波的人工判读。这不仅耗时费力，且存在较强主观性，易造成漏诊与延误干预。
近日，我院周毅教授团队在International Journal of Neural Systems发表题为《Large Pre-trained EEG Model for Electrical Status Epilepticus during Sleep Detection》的研究论文。该研究首次将大规模预训练脑电模型引入ESES自动检测任务，提出一套端到端的智能诊断框架，为儿童ESES的高效量化筛查与辅助诊断提供了创新解决方案。
ESES诊断模型结构示意图
针对现有方法多维特征利用不充分、过度依赖经验、跨个体泛化能力弱三大核心局限，该研究基于大规模预训练脑电模型构建NeuroEncoder，依托海量脑电数据学习的通用神经表征，高效提取棘慢复合波的时频域深层特征。针对临床标注边界模糊、噪声普遍的痛点，研究提出对称标签平滑交叉熵损失函数，显著提升模型对标注噪声与个体差异的鲁棒性。研究纳入患儿长程脑电数据，采用留一被试交叉验证的严格跨被试评估方案。该研究工作与现有方法相比，在片段级检测与患者级诊断上均取得显著性能优势，且在不同性别、年龄、放电严重程度的亚组中表现稳定，展现出优异的临床适用性。
该研究突破了传统ESES智能诊断方法的泛化瓶颈，验证了预训练脑电大模型在儿童癫痫脑病诊疗中的应用价值，为临床提供了高效、可靠的自动化量化工具，推动脑电人工智能技术从实验室研究向临床应用转化。
该论文周毅教授为通讯作者，中山医学院博士生李宇轩、何志鹏、计算机学院博士生朱嘉豪为共同第一作者，本研究由中山大学中山医学院、附属第一医院与计算机学院多学科团队合作完成。周毅教授团队长期从事健康医疗信息化与大数据、医学人工智能等方向研究，在癫痫智能诊断、多模态医学数据挖掘等领域取得系列成果，欢迎对此研究方向感兴趣的博士后和研究生加入。
论文链接：https://doi.org/10.1142/S0129065727500109
