南卡罗来纳州医科大学(MUSC)的神经病学家开发了一种基于人工智能的新方法，该方法最终可以帮助患者和医生权衡使用脑部手术治疗由癫痫引起的虚弱性癫痫发作的利弊。这项研究侧重于颞中叶癫痫(TLE)，于2018年9月发行在癫痫病学杂志上。除了将这种分析方法纳入临床医生的决策过程的临床意义之外，这项工作还强调了人工智能如何推动医学领域的变革。

尽管可用的癫痫药物的数量有所增加，但仍有多达三分之一的患者对这种药物无效或无反应。癫痫失控有许多与癫痫发作相关的危险，包括跌倒，呼吸困难甚至猝死等。由于正常活动受到损害，使癫痫发作使人虚弱的癫痫发作也大大降低了生活质量。

通常建议对药物无效的患者进行癫痫手术。许多患者不愿进行脑部手术，部分原因是由于担心手术风险以及手术后一年仅约三分之二的患者无癫痫发作。为了解决这种癫痫病人群的关键治疗缺口，MUSC神经病学部门的Leonardo Bonilha博士和他的团队希望预测哪些患者可能在手术后成功实现无癫痫发作。

神经科首席住院医师Gleichgerrcht博士解释说，他们试图“结合先进的神经成像和计算技术，以期在治疗因意识丧失而引起的癫痫发作中获得手术效果，从而最终提高生活质量。”为此，由于该项目需要大量的数据分析，因此团队转向了一种称为深度学习的计算技术。

全脑连接体是这项研究的关键部分，它是人脑中所有物理连接的示意图。脑图是通过对扩散磁共振成像(dMRI)进行深入分析而创建的，患者在临床中将其作为护理标准。癫痫患者的大脑在手术前通过dMRI成像。

深度学习是人工智能领域内的一种统计计算方法，可以自动学习数据模式。大脑中的物理连接是非常个性化的，因此要在多个患者之间找到模式是一项挑战。幸运的是，深度学习方法能够以统计上更可靠的方法隔离模式，以提供高度准确的预测。

当前，对难治性癫痫患者进行脑部手术的决定是基于一组临床变量，包括放射学研究的视觉解释。不幸的是，当前的分类模型在预测术后患者预后方面的准确率是50%到70%。MUSC神经学家开发的深度学习方法的准确度为79%至88%。这为医生提供了一种更可靠的工具，可用来确定手术的收益是否大于患者的风险。

这项新技术的另一个好处是，由于在大多数中心通常对癫痫患者进行dMRI，因此无需为患者进行额外的诊断测试。

这项第一项研究是回顾性的，这意味着临床医生会查看过去的数据。研究人员建议，理想的下一步将包括多站点前瞻性研究。在一项前瞻性研究中，他们将分析手术前患者的dMRI扫描，并在手术后至少一年进行随访。MUSC神经学家还认为，整合大脑功能性连接体(这是跨不同大脑区域同时发生的神经活动的图)可以增强对结果的预测。