近日，IBM研究人員在Arxiv.org上發布了一篇題為「Machine Learning for Seizure Type Classification: Setting the benchmark」的論文，闡述其通過AI閱讀腦電波圖像，為癲癇患者進行分類的新方法。癲癇，俗稱「羊角風」或「羊癲風」，是大腦神經元突發性異常放電，導致短暫的大腦功能障礙的一種慢性疾病。

在中國，癲癇已成為神經科僅次於頭痛的第二大常見病，約有900萬患者飽受其困擾，其中僅有50%-60%的患者經過治療能夠痊癒。

較低的治愈率源於癲癇複雜的發病機理及臨床表現，不同類型的癲癇患者需採取不同的治療方式以及用藥配比。因此，對於癲癇病來說，準確的分類至關重要。

然而，臨床上並無很好的癲癇病分類及量化治療方式，更多依賴於醫生的經驗，通過問詢患者家族病史、病情發作史等表層特徵，結合腦電圖及頭顱磁共振（MRI） 、CT、血糖、血鈣、腦脊液檢查等指標確定治療方案。

腦電圖檢查是診斷癲癇發作和癲癇的最重要手段，且有助於癲癇發作和癲癇的分類。但由於癲癇的病因是「突發性」異常放電，因此需要足夠長的描圖時間，保證各種誘發試驗，特別是睡眠誘發才可捕捉異常。

這帶來了兩個問題。其一，醫生閱片需要花費大量的時間成本；其二，就算捕捉到異常放電的瞬間，僅靠醫生經驗也往往難以判斷癲癇類別，進而確定診療方案。

為了解決這一問題，IBM科學家們塑造了文章所述的AI算法。研究人員採用美國坦普爾大學關於癲癇疾病的公開腦電圖數據集「TUH EEG Seizure Corpus」訓練模型，該數據集中包含2012例癲癇疾病患者的腦電圖及病症分類，橫跨8個癲癇類別。其中60%用作訓練數據，20%用作驗證數據，20%作為測試集。

團隊充分評估了多種機器學習分類算法，最終選取表現最優的k-NN（k-nearest neighbor）算法，取得了90.7%的準確率。

此次研究並非機器學習與癲癇疾病診斷的首次結合。Kaggle平台關於癲癇的賽題早已上線，該賽題由MathWorks、NINDS（美國國立衛生研究院國立神經障礙研究所）和美國癲癇學會發起舉辦，不過參賽團隊更多的關注如何預測癲癇病的發生，而非為已經發生的癲癇疾病進行分類。

研究人員表示，此次實驗是機器學習技術首次被應用於癲癇疾病的分類工作，對改善患者的長期護理、及時進行藥物調整和遠程監測均具有影響意義。