实时人机协作管理癫痫的 EEG 人工智能原型完成 13 名患者验证

癫痫管理的一个老难题是发作记录的失真：与视频脑电和长程动态脑电的客观记录相比，患者自我报告平均漏报超过一半的发作，且报告准确性随时间明显波动^[1]。客观监测因此不可或缺，在重症人群的连续脑电监测中，19%的患者被检出癫痫活动，其中92%为单纯非惊厥性发作^[6]。算法端同样在演进：13层卷积网络区分正常、发作前期与发作期脑电，准确率达88.67%、灵敏度95%^[3]；更早的脉冲神经网络已把脑电癫痫发作分类当作检验任务^[5]；植入式预警系统也在耐药性局灶癫痫成人中完成了预测发作可能性的多中心可行性验证^[2]。但在这些努力中，检测与预测均由机器完成，患者始终只是被记录的一方；大模型进入医疗的主流路径此前也集中在离线的病历文本处理上，如以逾900亿词训练的GatorTron承担的是临床概念抽取、医学问答等任务^[4]。

10月13日在线发表于Nature Medicine的这项小样本癫痫监测研究换了一个方向：把患者请进监测回路。研究者构建了带审核机制的大语言模型聊天界面，患者用智能手机就能与自己的脑电监测实时“对话”；结果显示，仅凭患者反馈，癫痫检测器的误报即减少约80%，且全程无需临床医生介入。

其推进在于角色转换：大模型在这里不是又一个更强的分类器，而是患者与检测算法之间的实时交互层，患者由被动的数据来源变为共同管理者。放进同期技术图景看，纯算法路线也在攻坚误报问题——事件级误报抑制网络ALARM-Net在评估集上把每24小时误报从19.43次降至4.60次，降幅76.3%^[7]；近实时检测算法也已报告97.57%的准确率与2.13%的假阳性率^[8]；而大模型在癫痫领域的既有尝试主要在诊断侧，多模态模型分析发作视频的准确性仅为中等^[9]。本研究提示，除了继续压缩算法自身的误差，患者反馈本身就是一条有效的降噪渠道。

当然，这仍是一项小型监测研究，样本有限；约80%的误报削减能否在更大、更多样的人群和院外长程监测场景中复现，带审核的对话界面在长期使用中的安全性与稳定性如何，都还有待回答。