美国特拉华大学的研究人员及其合作者取得了一项突破性进展，他们利用人工智能（AI）技术，成功从大脑的基线电生理节律中识别出隐藏的早期癫痫预警信号。这项创新方法有望彻底改变癫痫的诊断方式，使其不再依赖于捕捉活动性癫痫发作，为儿科早期干预和非侵入性精准医疗开辟了新途径。

传统的癫痫诊断严重依赖脑电图（EEG），但临床常规检查通常只能提供大脑活动约20分钟的“快照”。如果在这短暂的窗口期内没有发生癫痫发作，医生就很难通过肉眼观察到细微的线索，从而导致诊断的“诊断窗口瓶颈”。这种不确定性给患者家庭带来了巨大的认知负担和深刻的焦虑。

为了解决这一难题，研究团队开发了一种先进的模式识别算法。该AI算法将基线EEG读数视为一种“不熟悉的语言”，通过识别频繁重复的电活动模式并学习它们在上下文中的结构性意义，从而构建一个定制的脑电波“词典”。这种方法能够揭示人类审查者在手动分析时容易遗漏的细微异常。

特拉华大学电气与计算机工程及计算机与信息科学助理教授奥斯汀·布罗克迈尔（Austin Brockmeier）解释说：“我们的机器学习方法让算法能够学习大脑的‘波形语言’，发现人类在手动审查时可能错过的细微模式。”

研究人员首先在小鼠模型中进行了概念验证研究。他们收集了40多只小鼠的多日EEG记录，其中一些小鼠携带有导致癫痫的TSC1基因变异。该算法分析了不含任何癫痫发作活动的基线EEG片段。结果显示，该机器学习方法能够成功区分不同的小鼠遗传背景，并在三种小鼠品系中的两种中，纯粹基于基线脑电波高精度识别出TSC1突变的存在。

特拉华大学心理与脑科学及生物医学工程附属副教授兼尼莫尔儿童健康中心高级研究科学家阿曼达·赫尔南（Amanda Hernan）指出：“这些结果表明，即使没有可见的癫痫发作，EEG模式中也包含可测量的神经学差异信号。”

目前，该团队正将这项技术从实验室推向临床。在特拉华州临床与转化研究ACCEL项目的资助下，布罗克迈尔和赫尔南将把他们的方法应用于尼莫尔儿童健康中心正在接受癫痫评估的儿童的EEG记录。尽管儿科EEG记录通常比小鼠研究中的多日记录更短，且儿童癫痫类型多样，但研究人员对此充满信心。

赫尔南表示：“我们的目标是识别出在癫痫发作发生之前就能标记大脑电活动潜在变化的生物标志物。”更早的检测意味着更早的治疗，并能显著减轻家庭的焦虑。此外，这种更精准的模式识别还能改进治疗决策。例如，如果在癫痫活动自然间歇期引入新药物，其疗效可能会被高估，而客观的脑电波分型系统能准确告知医生患者所处的周期，确保药物的真实益处不被误判。

展望未来，研究人员设想可穿戴EEG设备能够实现对高风险人群的持续、实时监测。类似的方法最终也有望应用于其他神经系统疾病，包括自闭症和多动症（ADHD）。布罗克迈尔总结道：“这是迈向精准医疗的一步。脑电波分型可以帮助确定哪种干预措施对特定患者最有效。”