IBM用AI为癫痫患者分类 精准用药提高治愈率

在中国，癫痫已成为神经科仅次于头痛的第二大常见病，约有900万患者饱受其困扰，其中仅有50%-60%的患者经过治疗能够痊愈。

较低的治愈率源于癫痫复杂的发病机理及临床表现，不同类型的癫痫患者需采取不同的治疗方式以及用药配比。因此，对于癫痫病来说，准确的分类至关重要。

然而，临床上并无很好的癫痫病分类及量化治疗方式，更多依赖于医生的经验，通过问询患者家族病史、病情发作史等表层特征，结合脑电图及头颅磁共振（MRI）、CT、血糖、血钙、脑脊液检查等指标确定治疗方案。

脑电图检查是诊断癫痫发作和癫痫的最重要手段，且有助于癫痫发作和癫痫的分类。但由于癫痫的病因是「突发性」异常放电，因此需要足够长的描图时间，保证各种诱发试验，特别是睡眠诱发才可捕捉异常。

这带来了两个问题。其一，医生阅片需要花费大量的时间成本；其二，就算捕捉到异常放电的瞬间，仅靠医生经验也往往难以判断癫痫类别，进而确定诊疗方案。

为了解决这一问题，IBM科学家们塑造了文章所述的AI算法。研究人员采用美国坦普尔大学关于癫痫疾病的公开脑电图数据集「TUH EEG Seizure Corpus」训练模型，该数据集中包含2012例癫痫疾病患者的脑电图及病症分类，横跨8个癫痫类别。其中60%用作训练数据，20%用作验证数据，20%作为测试集。

团队充分评估了多种机器学习分类算法，最终选取表现最优的k-NN（k-nearest neighbor）算法，取得了90.7%的准确率。

此次研究并非机器学习与癫痫疾病诊断的首次结合。Kaggle平台关于癫痫的赛题早已上线，该赛题由MathWorks、NINDS（美国国立卫生研究院国立神经障碍研究所）和美国癫痫学会发起举办，不过参赛团队更多的关注如何预测癫痫病的发生，而非为已经发生的癫痫疾病进行分类。

研究人员表示，此次实验是机器学习技术首次被应用于癫痫疾病的分类工作，对改善患者的长期护理、及时进行药物调整和远程监测均具有影响意义。

本文素材来自互联网