投 稿：英国帝国理工吴博士
审核编辑：大壮，小黄 ，吴博士
作为一个AI医学交叉研究公众号，我们非常愿意分享、交流优秀的科研成果。本次研究来自英国帝国理工生物工程和伦敦国王学院神经外科的研究团队，使用AI无创监测扩散性去极化（SD）的文章，是一篇值得学习和研究的论文。
0.0论文信息
特刊精选文章 (Special Issue Featured Article)
链接：https://doi.org/10.1109/JBHI.2024.3370502
0.1期刊信息
0.2临床背景与需求
（1）脑外伤和急性脑损伤患者的治疗中，如何尽早发现和预防二次脑损伤是临床神经重症监护的核心目标之一。
（2）扩散性去极化波（SD，Spreading Depolarization），而这些扩散性去极化波被视为是导致脑损伤恶化的关键因素。扩散去极化通常是通过侵入性的大脑皮层电图（ECoG）进行检测，尽管效果显著，但该方法因其侵入性只适用于有神外开颅手术指征的患者。
（3）而本次研究为我们带来了一个全新的非侵入性解决方案，即利用脑电图（EEG）结合超轻量深度学习模型来实时检测和监测扩散去极化。本文将深入解读这一最新研究成果及其在临床中的潜在应用。
（4）扩散去极化（SD）是脑损伤患者中可见的病理生理现象，其特征是神经元膜电位发生剧烈变化，并逐渐向周围的脑组织扩散。这一过程会导致局部脑血流量减少，严重时甚至引发神经元坏死。大量研究表明，SD与创伤性脑损伤（TBI）、动脉瘤性蛛网膜下腔出血（aSAH）和恶性大脑半球中风（MHS）等患者的不良预后密切相关。
（5）早期干预SD有助于改善脑损伤患者的预后。然而，传统的皮层脑电图（ECoG）监测需要通过手术将电极直接置于大脑皮层表面，这种侵入性操作极大限制了其在临床中的广泛应用。特别是对于中风患者而言，绝大多数不需要进行开颅手术，这进一步限制了ECoG在这一人群中的使用。
由于脑电图（EEG）的非侵入性和在床旁实时监测的潜力，研究人员希望通过EEG实现对扩散去极化的实时监测。
（6）然而，EEG所采集的脑电波信号因受到皮肤和颅骨的衰减干扰，且包含大量噪声，导致其难以精确检测扩散去极化。
0.4 技术挑战
当前传统的检测方法通常基于EEG信号的时域功率变化。然而，这些方法面临着如下挑战：
1.信号衰减：
皮肤和颅骨的阻隔作用使得EEG信号在检测扩散去极化时常常模糊不清。
2.噪声干扰：
EEG信号容易受到肌电图（EMG）等非脑源性信号的干扰
3.硬件局限：
传统检测方法需要高密度电极阵列，这在许多临床场景下难以实现，尤其是对于创伤术后病人。
1.研究方案
本研究针对这些挑战，提出了一种结合频谱图和脑电波功率的超轻量深度学习网络，通过将EEG信号转化为二维的频谱图像并结合一维时间功率波形，使得扩散去极化的检测更加精确。该方法具备以下几大技术创新：
1.频谱图像输入：
研究首次提出通过将EEG信号进行短时傅里叶变换（STFT），将其转换为二维的频谱图像，这使得模型能够通过时间和频率两个维度来分析EEG信号，从而更好地捕捉扩散去极化的特征。
2.深度学习融合：
模型融合了临床上未广泛探索的新的生物标志频谱图像和临床指南广泛应用推荐的EEG脑电波功率，通过多模态输入提升了检测准确率。相比传统方法，该模型不再依赖固定的电极布置，允许低密度和可变位置的电极，极大提高了临床应用的灵活性。
2.结果
本研究提出了一种用于非侵入性检测扩散去极化（SD）的超轻量深度学习模型，并通过详细的实验验证了其优越性能。以下是主要结果的总结：
1.检测性能优异：
模型的双路径架构（结合二维频谱图像和一维功率向量）在SD检测中表现出色，特异性达91.55%，准确率为85.67%。这表明该模型能够在脑电图（EEG）信号中有效检测到SD事件，并且具有较高的准确性。相较于传统方法，该模型通过频谱图的加入，显著提高了检测的可靠性。
2.频谱图作为独立生物标记物的有效性：
研究发现，仅使用频谱图像作为输入时，模型在SD峰值检测中的灵敏度高达99.78%，显示频谱图在检测SD时是一种有效的生物标记物。相比传统的时间功率向量，频谱图能够更好地捕捉到SD特征，尤其是在噪声干扰较大的情况下。
3.快速处理能力：
模型处理速度极快，即使在无GPU的普通计算机设备（仅CPU）上，每小时EEG数据的处理时间少于0.3秒。相比于传统方法需要2小时处理同样的数据量，该模型的超快处理速度使得实时检测在常规临床计算机设备上成为可能，能够应用于临床床旁实时监测。
4.高适用性：
模型不依赖固定电极布局，可以灵活应对不同密度和位置的电极配置，这使得它在术后监护、重症监护（ICU）等复杂临床环境中具有广泛的应用潜力。传统方法对电极布局要求严格，而该模型则允许更为灵活的设置，增加了其在临床中的可操作性，为大规模推广和应用于早期脑损伤预后的实时监测提供了可能性。
5.置信评分提供决策支持：
该模型生成置信评分（0-30），帮助临床医生评估检测结果的可信度。在实验中，模型较为准确定位SD发生的时间段，并为医生提供更直观的诊断支持，增强了临床决策的准确性。
3.临床意义与贡献
该研究不仅在技术上实现了突破，也为临床应用带来了深远的影响：
1.非侵入性脑损伤监测：
通过利用EEG的非侵入性特点，该方法可实现床旁监测，减少对患者的侵入性操作，特别适用于中风等一般不须开颅的脑创伤患者。这一方法具有极大的推广潜力，不仅限于神经重症监护室（NCU），还可以扩展到普通病房甚至急诊科室，从而扩大了SD（扩散性去极化）监测的患者群体。通过降低技术门槛，使SD检测从少数危重患者推广到更广泛的患者，帮助临床医生对脑损伤进行早期干预。
2.扩展应用场景：
该模型的超轻量设计允许其在无需高端硬件（如GPU）的情况下快速运行于普通的CPU设备上，这极大降低了硬件需求，适应更多临床场景，尤其是在资源有限的环境中。
3.广泛适用性：
传统的高密度EEG电极布置要求严格且固定的布局，对于手术后或创伤患者常常难以实现，如术后头部包扎会影响电极的固定位置和密度。而本研究提出的模型能够适应不同电极位置和密度的灵活配置，不再依赖固定的电极映射。这种灵活性极大提高了临床操作的便捷性，医生可以根据实际情况调整电极的放置位置和数量，既提升了SD监测的广泛适用性，又降低了操作的复杂性和时间成本。此优势尤其适用于术后监护和ICU等复杂环境中的应用。
4.置信评分的临床决策支持：
置信评分为医生提供了额外的信息，不仅能判断SD是否发生，还能提示发生的区间和推理可信度。这种额外的量化指标有助于医生在进行治疗决策时拥有更多依据并增强决策的准确性。
5.研究总结与未来展望
本研究展示了一种创新的EEG检测方法，通过结合频谱图和脑电波功率，解决了现有扩散去极化检测方法的局限性，并且具备高检测精度和速度。未来的研究中，进一步验证该模型在更大规模患者群体中的表现，特别是在不同病理背景下的应用，将极大推动其在临床中的广泛应用。
6.学习心得
（1）本文研究具有重要临床意义
（2）脑电+AI是一个好的研究方向
（3）大壮提供脑电科研技术支持
