DOI: https://doi.org/10.1016/j.bea.2026.100218
تاريخ النشر: 2026-04-21
المؤلف: Mufeng Chen وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الدراسة نظام تشخيصي مبتكر مدعوم بالذكاء الاصطناعي لمرض الصرع، يستفيد من التعلم العميق لمعالجة قيود تفسير تخطيط الدماغ الكهربائي التقليدي، والذي غالبًا ما يكون مستهلكًا للوقت ويعتمد على خبرة الأطباء. يتكون الإطار المقترح من مكونين رئيسيين: نظام تمييز رئيسي ونظام تحقق. يستخدم نظام التمييز الرئيسي نموذج تعلم عميق يدمج بنية Mamba مع هيكل Bi-LSTM لتحليل البيانات غير المتجانسة، محققًا دقة تشخيصية تبلغ 98.7%، وهو تحسن من 92.6%. يعزز نظام التحقق مصداقية النتائج التشخيصية باستخدام طريقة SHAP، مما يوفر أساسًا قابلًا للتفسير للتنبؤات.
بالإضافة إلى ذلك، يستخدم النظام قاعدة بيانات متعددة الأنماط لتسهيل التحليل الذكي للبيانات متعددة المصادر، بما في ذلك إشارات EEG والنصوص السريرية. يتم توليد النتائج بناءً على اتساق التشخيص ومستويات الثقة، حيث تعمل التنبؤات عالية الثقة كتعليقات لتحسين النموذج بشكل أكبر. تشير النتائج التجريبية إلى زيادة كبيرة في درجة F1 من 0.895 إلى 0.992 وتظهر أن متوسط وقت المعالجة لدمج التعليقات في نظام التحقق هو فقط 220 مللي ثانية، مما يساهم في زيادة إجمالية في الدقة التشخيصية بنسبة 5.1%.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير العالمي الكبير لمرض الصرع، الذي يؤثر على حوالي 50 مليون فرد ويشكل تحديات في التشخيص والعلاج بسبب تعقيد الاضطراب وقيود طرق التشخيص الحالية. تفسير تخطيط الدماغ الكهربائي التقليدي (EEG) يستغرق وقتًا طويلاً ويعاني من تباين بين المقيمين، مع معدلات دقة تتراوح بين 65% و80%. تؤكد الورقة على إمكانيات تقنيات التعلم العميق، لا سيما الشبكات العصبية طويلة وقصيرة المدى (LSTM) والنماذج المعتمدة على المحولات، لتعزيز تحليل EEG. ومع ذلك، غالبًا ما تتجاهل النماذج الحالية البيانات السريرية القيمة، وتظهر متطلبات حسابية عالية، وتفتقر إلى القابلية للتفسير، وهو أمر حاسم للثقة السريرية والتطبيق.
لمعالجة هذه القضايا، يقترح المؤلفون إطار عمل ثنائي النظام لتشخيص الصرع يدمج بنية Mamba-Bi-LSTM الجديدة مع مفتاح تمييز ارتباط القناة، مما يمكّن من معالجة فعالة لبيانات EEG طويلة المدة. يتم تكملة هذا النظام الأساسي بمكون تحقق يستخدم تحليلًا قائمًا على SHAP من أجل القابلية للتفسير. لا يحقق الإطار المقترح دقة إجمالية مثيرة للإعجاب تبلغ 98.7% فحسب، بل يمدد أيضًا وقت التحذير المبكر من النوبات إلى 15 ثانية، متفوقًا على الطرق الحالية عبر مجموعات بيانات متنوعة. توضح الدراسة أيضًا فوائد دمج البيانات متعددة الأنماط وآلية ارتباط القناة التكيفية، التي تعزز دقة التشخيص، لا سيما لأنواع الصرع المعقدة، مع الحفاظ على الكفاءة الحسابية.
طرق
في هذا القسم، يقدم المؤلفون تقييمًا شاملاً لإطار عملهم الثنائي النظام لتشخيص الصرع، مقارنين إياه بالطرق الحالية، لا سيما طريقة SDCAE مع Bi-LSTM التي قدمها منيمنه وآخرون (2021). تشير النتائج، الملخصة في الجدول 15، إلى أن الإطار المقترح يتفوق على أفضل طريقة موجودة في مؤشرات الأداء الرئيسية، وهي الدقة ودرجة F1. يُعزى هذا التحسن إلى استخدام مجموعة بيانات مشتركة متعددة المصادر ومتعددة الأنماط، مما يعزز دقة التشخيص. علاوة على ذلك، يؤكد المؤلفون على قابلية تفسير نموذجهم، التي تم تحقيقها من خلال تحليل SHAP، والذي يتناقض مع نقص القابلية للتفسير العميق في طريقة منيمنه وآخرون، مما يزيد من مصداقية النموذج للتطبيقات السريرية.
ومع ذلك، يعترف المؤلفون بوجود قيود كبيرة، بما في ذلك غياب التحقق الخارجي على مجموعات بيانات مستقلة، مما قد يقدم تحيزات خاصة ببيانات التدريب الخاصة بهم. يقترحون استراتيجية تحقق تتضمن التعاون مع مراكز طبية متنوعة للحصول على مجموعات بيانات متنوعة، بهدف تقييم قوة النموذج عبر أنظمة تسجيل EEG مختلفة وسكان المرضى. بالإضافة إلى ذلك، يخططون لتنفيذ تقنيات تكييف المجال لتعزيز القابلية للتعميم عبر المؤسسات. كما يظهر إطار العمل الثنائي النظام كفاءة حسابية متفوقة، حيث يكون أسرع بحوالي 68% وأكثر كفاءة في الذاكرة بنسبة 61% مقارنة بطريقة SDCAE مع Bi-LSTM عند معالجة تسلسلات EEG، مما يجعله مناسبًا للبيئات السريرية ذات الموارد المحدودة. بشكل عام، يقدم الإطار المقترح تقدمًا في الدقة، والقابلية للتفسير، والكفاءة لتشخيص الصرع الذكي.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم في منهجيات التعلم العميق للكشف عن الصرع القائم على EEG، مع التركيز على التطور من الهياكل المتكررة مثل LSTM وBi-LSTM إلى الابتكارات الأكثر حداثة مثل بنية Mamba، التي تقدم تعقيدًا خطيًا لنمذجة التسلسل. تنتقد هذه القسم أيضًا الجهود الحالية في دمج البيانات متعددة الأنماط، مشيرًا إلى أنه بينما نجحت بعض الأنظمة في دمج البيانات السريرية المنظمة وغير المنظمة في مجالات طبية أخرى، لا تزال الأساليب المماثلة في تشخيص الصرع غير مستكشفة بشكل كافٍ. يؤكد المؤلفون على إمكانيات مجموعة بيانات TUH، التي تجمع بين بيانات EEG والملاحظات السريرية، لتعزيز دقة التشخيص من خلال دمج بيانات أغنى.
علاوة على ذلك، توضح الورقة بروتوكولات إعداد البيانات الصارمة والمعالجة المسبقة المستخدمة لضمان جودة البيانات وسلامتها. تصف دمج مجموعات بيانات EEG متعددة متاحة للجمهور، بما في ذلك جامعة بون، CHB-MIT، EPILEPSIAE، ومجموعة بيانات TUH، كل منها يساهم بخصائص فريدة تعزز من قوة النموذج. نفذ المؤلفون خط أنابيب معالجة متعددة الأنماط منهجي لا ينظف ويقوم بتوحيد إشارات EEG فحسب، بل يدمج أيضًا النصوص السريرية والإشارات الفسيولوجية المساعدة، مثل تقلب معدل ضربات القلب وتشبع الأكسجين في الدم، لإنشاء تمثيل شامل لحالة المريض. تهدف هذه المقاربة متعددة الأبعاد إلى تحسين قدرات التشخيص للبنية الهجينة Mamba-Bi-LSTM المقترحة، التي تعالج المدخلات متعددة الأنماط مع معالجة تحديات عدم التوازن في الفئات وضمان تقييم موثوق للنموذج من خلال تقسيم بيانات المرضى.
DOI: https://doi.org/10.1016/j.bea.2026.100218
Publication Date: 2026-04-21
Author(s): Mufeng Chen et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This study presents a novel AI-assisted diagnostic system for epilepsy, leveraging deep learning to address the limitations of traditional EEG interpretation, which is often time-consuming and reliant on clinician experience. The proposed framework consists of two key components: a main discrimination system and a verification system. The main discrimination system employs a deep learning model that integrates the Mamba architecture with a Bi-LSTM structure to analyze heterogeneous data, achieving a diagnostic accuracy of 98.7%, an improvement from 92.6%. The verification system enhances the credibility of the diagnostic results using the SHAP method, providing an explainable basis for the predictions.
Additionally, the system utilizes a cross-modal database to facilitate the intelligent analysis of multi-source data, including EEG signals and clinical text. The results are generated based on diagnostic consistency and confidence levels, with high-confidence predictions serving as feedback to optimize the model further. The experimental findings indicate a significant increase in the F1 score from 0.895 to 0.992 and demonstrate that the average processing time for feedback integration in the verification system is only 220 ms, contributing to an overall diagnostic accuracy increase of 5.1%.
Introduction
The introduction of this research paper highlights the significant global impact of epilepsy, affecting around 50 million individuals and posing challenges in diagnosis and treatment due to the complexity of the disorder and the limitations of current diagnostic methods. Traditional electroencephalography (EEG) interpretation is time-consuming and suffers from inter-rater variability, with accuracy rates between 65% and 80%. The paper emphasizes the potential of deep learning techniques, particularly Long Short-Term Memory (LSTM) networks and Transformer-based models, to enhance EEG analysis. However, existing models often overlook valuable clinical data, exhibit high computational demands, and lack interpretability, which is crucial for clinical trust and application.
To address these issues, the authors propose a dual-system framework for epilepsy diagnosis that integrates a novel Mamba-Bi-LSTM architecture with a channel correlation discrimination switch, enabling efficient processing of long-duration EEG data. This primary system is complemented by a verification component utilizing SHAP-based analysis for interpretability. The proposed framework not only achieves an impressive overall accuracy of 98.7% but also extends seizure early warning time to 15 seconds, outperforming existing methods across diverse datasets. The study further demonstrates the benefits of multimodal data fusion and the adaptive channel correlation mechanism, which enhance diagnostic accuracy, particularly for complex epilepsy types, while maintaining computational efficiency.
Methods
In this section, the authors present a comprehensive evaluation of their dual-system framework for epilepsy diagnosis, comparing it with existing methods, particularly the SDCAE with Bi-LSTM approach by Mneimneh et al. (2021). The results, summarized in Table 15, indicate that the proposed framework outperforms the best existing method in key performance metrics, namely accuracy and F1 score. This improvement is attributed to the utilization of a multi-source and multi-modal joint dataset, which enhances diagnostic accuracy. Furthermore, the authors emphasize the interpretability of their model, achieved through SHAP analysis, which contrasts with the lack of in-depth interpretability in Mneimneh et al.’s method, thereby increasing the model’s credibility for clinical applications.
However, the authors acknowledge significant limitations, including the absence of external validation on independent datasets, which may introduce biases specific to their training data. They propose a validation strategy involving collaboration with various medical centers to obtain diverse datasets, aiming to assess the model’s robustness across different EEG recording systems and patient populations. Additionally, they plan to implement domain adaptation techniques to enhance generalizability across institutions. The dual-system framework also demonstrates superior computational efficiency, being approximately 68% faster and 61% more memory-efficient than the SDCAE with Bi-LSTM method when processing EEG sequences, making it suitable for resource-constrained clinical environments. Overall, the proposed framework offers advancements in accuracy, interpretability, and efficiency for intelligent epilepsy diagnosis.
Discussion
The discussion section of the research paper highlights the advancements in deep learning methodologies for EEG-based epilepsy detection, emphasizing the evolution from recurrent architectures like LSTM and Bi-LSTM to more recent innovations such as the Mamba architecture, which offers linear complexity for sequence modeling. This section also critiques existing multimodal integration efforts, noting that while some systems have successfully fused structured and unstructured clinical data in other medical domains, similar approaches in epilepsy diagnosis remain underexplored. The authors underscore the potential of the TUH Corpus, which combines EEG data with clinical notes, to enhance diagnostic accuracy through richer data integration.
Furthermore, the paper details the rigorous dataset preparation and preprocessing protocols employed to ensure data quality and integrity. It describes the integration of multiple publicly available EEG datasets, including the University of Bonn, CHB-MIT, EPILEPSIAE, and TUH Corpus, each contributing unique characteristics that enhance the model’s robustness. The authors implemented a systematic multimodal preprocessing pipeline that not only cleans and standardizes EEG signals but also incorporates clinical text and auxiliary physiological signals, such as heart rate variability and blood oxygen saturation, to create a comprehensive representation of the patient’s condition. This multifaceted approach aims to improve the diagnostic capabilities of the proposed Mamba-Bi-LSTM hybrid architecture, which processes multimodal inputs while addressing the challenges of class imbalance and ensuring reliable model evaluation through patient-level data partitioning.