（文章來源：教育新聞網）

對于全世界約有5000萬人的癲癇病，大腦中細胞之間的電信號交換有時會變成麻煩，并引起癲癇發作-往往很少甚至沒有預警。路易斯安那大學拉斐特分校的兩名研究人員開發了一種新的AI驅動的模型，該模型可以預測發病前一小時內發作的發生率，準確率達99.6%。

“由于意外的癲癇發作時間，癲癇癥對患者具有強烈的心理和社會影響，”共同開發新模型的研究人員Hisham Daoud解釋說。他說，提前發現癲癇發作可以大大改善癲癇患者的生活質量，并為他們提供足夠的時間采取行動。值得注意的是，這些患者中多達70%的患者可通過藥物控制癲癇發作。

Daoud和他的同事Magdy Bayoumi絕不是最早探索預測癲癇發作方法的人。其他研究小組研究了使用腦電圖(EEG)測試分析大腦活動的方法，并使用這些數據開發了預測模型。但是，每個人都有獨特的大腦模式，因此很難準確預測癲癇發作。以前的模型被設計為分兩個階段執行，其中必須手動提取大腦模式，然后應用分類系統，Daoud說，這增加了模型的復雜性。

此外，研究人員采用了另一種分類方法，其中深度學習算法從不同的電極位置提取并分析了患者大腦活動的時空特征，從而提高了模型的準確性。最后，EEG讀數可能涉及多個電活動“通道”，因此Daoud和Bayoumi應用了另一種算法來識別最合適的電活動預測通道。這也加快了預測過程。

研究人員使用來自波士頓兒童醫院的22名患者的長期EEG數據開發并測試了他們的方法。盡管這只是一個很小的樣本，但結果證明對團隊來說是令人興奮的。他們的模型不僅非常準確，達到了99.6%，而且誤報率也很低，每小時的誤報率為0.004。

系統確實需要進行一些設置才能產生這樣的結果。Daoud表示：“為了在早期預測時間內達到如此高的準確性，我們需要對每位患者進行模型訓練。”他指出，訓練可能需要在癲癇發作前后數小時進行非侵入性EEG監測，包括癲癇發作本身。“通過商業上可買到的EEG可穿戴電極，可以[完成]離線記錄。”

Daoud說，隨著軟件組件的完成，下一步是開發定制的計算機芯片來處理算法。他說：“我們目前正在設計一種部署此算法的高效硬件[設備]，并考慮到許多問題，例如系統大小，功耗和等待時間等，以適合患者的舒適方式適合實際應用，”他說。

（責任編輯：fqj）