摘要：加州大学欧文分校的Jed Hartings博士是 3 月 12 日发表于《Scientific Reports》杂志的这篇研究论文的通讯作者，该论文详细阐述了自动化技术如何能够帮助临床医生治疗患有传播性去极化（SDs）的患者。

辛辛那提大学的一项研究发现，机器学习模型能够助力实现异常大脑活动的自动化检测，这种异常大脑活动有时被称为“脑海啸”。

加州大学欧文分校的Jed Hartings博士是 3 月 12 日发表于《Scientific Reports》杂志的这篇研究论文的通讯作者，该论文详细阐述了自动化技术如何能够帮助临床医生治疗患有传播性去极化（SDs）的患者。

Hartings表示，传播性去极化（SD）现象被认为会在几乎所有类型的急性脑损伤患者身上出现，包括不同类型的中风和创伤性脑损伤（TBI）。在这些不同疾病类别中的患者中，约 60% 至 100% 的人都被认为会出现传播性去极化的情况。

就像电池一样，脑细胞也有一个储存的或极化的电荷，这使得它们能够相互传递信号。在SD发生时，脑细胞会去极化，无法传递这些电信号，Hartings说，这实际上会让脑细胞变成“一个不再具有功能的‘大盐水袋’”。

Hartings说：“这种情况会在局部组织区域大规模发生，然后像波浪一样扩散开来，就像池塘里的涟漪一样，它会干扰细胞功能的方方面面。”

在患者身上，脑损伤后的数天内可能会持续出现SDs的情况，但这种状况也可能在严重脑损伤发生后的数周内时有时无地持续存在。

研究详情及结果
DETAILS AND RESULTS

研究主要针对的是那些已通过手术在大脑中植入电极条以监测SDs患者。此外，医生们还需要接受专门的培训，以便能够解读脑电波记录数据，并持续对其进行监测。

Hartings说：“这种诊断方式耗时费力且成本高昂，而且很少有医生具备可靠诊断 SD所需的高精专科知识。因此，我们希望实现 SD 诊断的自动化，以便让这种监测手段更易于获取和广泛应用。”

Hartings及其同事利用了来自 24 名因严重创伤性脑损伤而入院治疗的患者所采集的超过 2000 小时的脑部监测数据，并且专家们手动审查并识别出了该数据集中超过 3500 个独特的自发性低频振荡事件。

在这位患者的大部分数据中，有一半被用于训练一个机器学习模型，使其能够准确识别和分类SD事件。模型训练完成后，研究人员利用另一半数据来观察其在未曾见过的新数据中识别SDs的准确程度。

Hartings说：“该方法能够以很高的灵敏度和特异性识别 SD。”“总体而言，其表现与专业的人工评分员相当。”

出乎意料的是，该团队发现该算法能够检测出许多通过人工评分无法识别的 SD ，这很可能是因为其具有更高的客观性。研究人员对算法的极限进行了测试，发现它每 10 秒采集一次电压读数就能达到很高的性能水平，而通常的做法是每秒收集 256 个数据点。

Hartings说：“如果我们能够凭借少量信息就实现高水准的性能表现，那么即便如此，仍会有很大的‘余地’让我们通过补充更多的信息来进一步提升性能。”“目前这项工作正在进行中。”

研究影响
STUDY IMPACT

Hartings表示，当该算法完全实现并投入使用后，自动检测SD 的能力将使任何一家神经外科中心都能够监测患者是否出现SD现象，即便这些中心没有配备具备这种专业培训资质的医生。

他说：“许多神经外科中心有意对 SDs 进行监测以服务于患者护理，但它们要么缺乏相关知识，要么缺乏实施所需资源。有了自动化的 SD 读取功能，这些障碍将会得以降低，从而有望使这项技术更易于获取，进而加速研究进程，并有望为患者带来益处。”

虽然研究结果令人鼓舞，但Hartings提醒说，在自动化检测完全取代人类的专业知识和对 SD的检测之前，还需要进一步的发展和验证。

他说：“我认为我们正朝着这个方向发展。即便不是这样，自动化检测至少也能大幅减轻工作量，并提高响应速度，因为警报能够促使医生提前审查数据或采取行动，而在此之前他们可能不会按照通常的间隔去审查患者的病情进展。这是另一个不应被忽视的重要益处。”

本研究存在以下局限性：在神经外科手术中，电极条必须放置在患者大脑上，这限制了可监测患者数量，只能是那些正在接受手术的患者。不过，Hartings表示，相关研究仍在进行中，旨在开发非侵入性的检测方法，以便能够监测更多患者群体。

接下来，Hartings及其同事将继续利用更大规模的数据集来完善该算法，并对软件的实施进行测试，同时计划让其他机构对该软件进行试用，并将其用于患者护理和研究工作。

新闻来源：Neuroscience

参考文献：DOI:10.1038/s41598-025-91623-7

来源：启真脑机智能基地