首页 > 时尚发布 > 正文

好文推荐 | 人工智能辅助脑电图分析技术在意识障碍诊疗中的应用进展

2026-11-08 21:09

深度解析医学证据,lxfs.net为你支撑决策

摘要

人工智能辅助脑电图分析技术正深刻改变意识障碍的模式。近年来,该技术通过机器学习、深度学习、多模态融合以及脑机接口等创新方法,在意识障碍分类、隐匿意识检测、预后预测与治疗干预等多个关键环节取得显著进展。本文系统综述了人工智能辅助脑电图分析技术在意识障碍诊疗中的最新研究进展,同时剖析了当前面临的核心挑战,并据此提出未来发展方向,旨在为该技术在意识障碍临床诊疗中的转化应用提供参考。

关键词:意识障碍;脑电图;人工智能;机器学习;深度学习

Key words:Disorders of consciousness;Electroencephalography;Artificial intelligence;Machine learning;Deep learning

意识障碍(disorders of consciousness,DOC)是由严重颅脑创伤、脑血管疾病、缺氧缺血性脑病等多种疾病引发的严重神经功能障碍,以觉醒与意识觉知分离、对外界环境反应能力受损为核心表现,主要包括昏迷、无反应觉醒综合征(unresponsive wakefulness syndrome,UWS)和最小意识状态(minimally conscious state,MCS)[1]。目前临床诊断以基于行为评估的昏迷恢复量表修订版(Coma Recovery Scale-Revised,CRS-R)为金标准[2],该评估方法主观性强,且易受患者意识波动、认知-运动分离、运动障碍、失语、疼痛等多种因素影响,导致误诊率高达40%[3]。此外,ICU中高达70%的死亡与提前终止生命支持相关[4]。错误的诊断和预后判断可能影响临终决策和获得-神经康复的机会。脑电图(electroencephalography,EEG)作为一种经济、便携且无创的神经电生理监测技术,具有高时间分辨率,对患者状态与配合度的要求较低,已被广泛应用于DOC临床诊疗[5,6]。然而,传统EEG分析高度依赖人工判读与手工特征提取,难以深度挖掘并解析其中所蕴含的高维时空频动态信息,且易受噪声干扰、个体差异及分析标准不统一等因素影响,导致评估效率与结果可靠性均显不足。同时,由于DOC患者的病因具有高度异质性,不同病因可导致脑病变位置与脑网络损伤存在差异显著,进而形成复杂多样的EEG特征表现。此外,脑损伤后的代谢紊乱、药物作用等多种混杂因素也会干扰脑电记录,进一步增加了EEG模式的复杂性[7]。

近年来,人工智能(artificial intelligence,AI)技术飞速发展,在脑电信号处理领域展现出极高应用价值[8]。在机器学习(machine learning,ML)与深度学习(deep learning,DL)的驱动下,传统EEG的分析范式正经历着从人工判读到智能解码的根本性变革。相较于传统人工分析方法,AI辅助方法能够显著提升诊疗效率,有效减轻临床工作负担。研究者开始应用机器学习,特别是深度学习,结合多模态融合技术辅助EEG分析,系统探索基于EEG的DOC诊断与预后评估方法,为实现客观、精准、个体化、自动化的临床诊疗开辟了新技术路径。基于此,本文围绕DOC分类诊断、预后预测与治疗干预这三个关键方向,综述AI辅助EEG分析技术在该领域的最新研究进展,并展望未来发展方向,以推动该技术在DOC精准诊疗中的应用。

1 AI辅助EEG分析技术在DOC分类诊断、隐匿意识检测领域的研究进展

在DOC的临床管理中,准确界定患者意识状态至关重要且颇具挑战,其中,精准区分UWS与MCS,更是决定预后与治疗策略的关键所在。

1.1 基于传统机器学习的分析模型

早期大量研究多集中于传统ML,常用模型包括支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、K近邻算法(K-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)、决策树(decision tree,DT)等[9]。基于33例DOC患者的EEG数据,Lee等[10]提取了功能连接及显性频率特征,并采用LDA算法构建分类模型,最终实现了80%的临床诊断准确率,但受限于样本规模,模型泛化能力仍有待提升。Engemann等[11]采集了179例MCS和148例VS患者的多中心脑电数据,提取了涵盖时频域在内的28项EEG特征,采用决策树DT进行二分类诊断。Toppi等[12]提出了一种基于静息态EEG频谱与功能连接特征的SVM分类模型,通过δ相对功率、θ/α功率比、中央顶区频谱频率、右半球前后网络连接等关键指标,可有效区分UWS与MCS,分类准确率达76%。

当前,多数基于ML的DOC诊断研究主要侧重于利用既有EEG特征实现UWS与MCS的二分类。近年来的研究趋势正逐渐从传统的功率谱分析,转向通过引入更具神经生物学意义的新特征来优化分类性能。例如,Porcaro等[13]利用静息态EEG的樋口分形维度(Higuchi’s fractal dimension, HFD)这一非线性特征,结合SVM算法构建DOC分类模型,在MCS、UWS与健康对照组(healthy control,HC)的三分类任务中实现了近90%的准确率。Raveendran等[14]则提出了一种基于变分模态分解(variational mode decomposition,VMD)的特征提取方法,可有效提取脑电信号中的样本熵、谱熵、峰度及偏度等多维特征。在MCS、UWS及昏迷患者的三分类任务中也取得了超过80%的准确率。此外,Liuzzi等[15]则进一步聚焦于MCS的亚型鉴别(即MCS+与MCS-),引入了多重分形奇异谱(multifractal singular spectrum,MFSS)特征,基于左侧中央颞叶脑网络的MFSS并结合KNN算法,在静息态EEG数据中实现了75%以上的二分类准确率。另外,在儿童长期意识障碍(pediatric prolonged disorders of consciousness, pDoC)的客观量化评估领域,Zhang等[16]引入静息态EEG微态分析,提出了一种融合多维度特征与智能算法的诊断新范式。该研究揭示了UWS、MCS及HC在脑电微态(MS A-D)拓扑结构、功能连接、时域参数及状态转移模式上的显著差异;其中,MS-C的出现频率与CRS-R评分呈显著正相关,被确立为潜在的意识水平生物标志物。为进一步实现客观分型,该研究构建并对比了三种优化型SVM模型,结果显示,基于MS-C特征的量子粒子群优化支持向量机(quantum particle swarm optimization-SVM, QPSO-SVM)模型分类效能最优,AUC达0.722,为儿童pDoC的自动化鉴别诊断提供了可靠的量化依据。

此外,除广泛应用的静息态脑电图(resting-state EEG,rs-EEG),任务态EEG(task-state EEG,ts-EEG)通过引入外部刺激诱发脑电响应,能够为意识水平的评估提供更为全面、精准且可靠的客观依据。在各类任务范式中,被动听觉范式因无需患者主动配合,能够有效诱发感觉及初级认知层面的神经反应。然而,传统的被动听觉诱发电位分析主要依赖N1、失匹配负波(mismatch negativity,MMN)等特定成分的波幅与潜伏期指标,不仅组间差异不够稳定,在个体化诊断中的敏感性与特异性亦存在局限[17]。在此背景下,Wang等[18]提出了基于全域场时频表征的判别相似性分析(Global Field Time-Frequency Representation Discriminative Similarity Analysis,GFTFR-DSA),该方法突破传统时域分析的局限,以GFTFR为EEG特征构建健康人群的标准神经模板,并通过量化DOC患者与健康模板间的跨状态相似性指数实现客观诊断。研究显示,GFTFR在健康人群中表现出优于传统时域波形的组内一致性,且MCS患者的相似性指数显著高于UWS患者;基于此特征的SVM分类模型在单被试MCS、UWS判别中实现了0.77的平均准确率。

1.2 基于深度学习的分析模型

DL作为ML的重要演进,凭借端到端的学习机制,突破了传统人工特征工程的局限。它无需依赖先验假设,即可直接从原始脑电信号中自适应挖掘深层时空表征,从而实现对意识相关神经活动的精准表征[19,20]。尽管仍面临数据需求大与模型“黑箱”可解释性弱等挑战,但相较于传统机器学习,DL在复杂特征表达、分类精度及长时序动态建模上具有显著优势,现已成为提升DOC评估效能的关键技术路径。当前,应用于该领域的架构已涵盖多层感知机(multilayer perceptron,MLP)、卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)及其变体(gated recurrent unit/long short-term memory,GRU/LSTM)、时序卷积网络(temporal convolutional network,TCN)乃至Transformer等模型,以及由其组合构建的各类深度混合架构[21]。

首先,在基础架构层面,Altıntop等[22]摒弃了传统的预处理与特征提取流程,首次引入一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)直接对原始EEG时序信号进行自动特征挖掘,在39例昏迷患者中实现了83.3%的高低意识二分类准确率,有力证实了原始EEG端到端处理在规避主观偏差方面的可行性。随后,研究者通过挖掘脑电信号的频域与功能连接(functional connectivity,FC)特征进一步提升了深度学习模型的分类效能。Gao等[23]基于EEG的功率谱密度(power spectral density,PSD)与相位锁定值(phase locking value,PLV)构建二维特征输入,利用多层二维卷积网络实现了DOC患者的高效分类。在此基础上,Raveendran等[24]进一步针对昏迷、UWS、MCS及HC患者开展四分类研究,基于静息态脑电图的相位滞后指数(phase lag index,PLI)、加权相位滞后指数(weighted phase lag index,wPLI)及振幅包络相关(amplitude envelope correlation,AEC)三类FC特征,系统比较了7种神经网络架构的分类性能,发现AEC特征配合简易的MLP模型即可达到96.3%的四分类准确率,融合AEC与wPLI后更是提升至96.9%,揭示了特定FC特征与轻量化模型结合的巨大潜力。为进一步增强特征的非线性表征能力,最新研究进一步联合静息态与个性化音乐刺激EEG,通过滑动窗口提取近似熵(approximate entropy,ApEn)并生成脑电拓扑图;对比双向CNN、SVM及GRNN模型发现,CNN表现最优,分类准确率达90.00%且显著优于传统机器学习方法;同时证实ApEn与CRS-R评分呈显著正相关[25],表明ApEn是反映残存意识的敏感非线性指标,为非线性动力学特征在意识探测中的临床应用提供了实证。

尽管DL为DOC诊断带来了突破性进展,但在临床实践中,由于EEG信号具有高度的个体异质性与非平稳性,加之DOC患者病理机制的复杂性,单一深度学习架构往往受限于特定的感受野或建模偏好,难以全面捕捉意识相关的多尺度神经表征。因此,融合不同网络优势互补的混合深度学习架构与集成学习策略,正成为克服单模型泛化瓶颈、提升DOC评估稳健性的新兴主流方向。

模型的“黑箱”特性始终是临床转化的核心障碍,为破解这一难题,可解释人工智能(explainable artificial intelligence,XAI)被引入意识评估领域。Lee等[26]创新性地提出了可解释意识指标(explainable consciousness index,ECI),通过融合二维卷积网络(2D-CNN)与层间相关性传播(layer-wise relevance propagation,LRP)算法,首次实现了对唤醒与觉知双维度的同步量化。该方法不仅在区分MCS与UWS时达到了极高的判别效能(AUC分别为1.0与0.96),更重要的是,通过LRP热力图可视化,证实了顶叶区域是意识判定的核心神经基础,为AI辅助诊断提供了关键的神经生理学依据。此外,基于深度学习的DOC分类研究还面临数据稀缺与临床环境复杂的双重挑战。首先针对DOC数据集规模有限导致的过拟合风险,Wang等[27]提出了多任务预训练Transformer模型(Transformer Multi-Task Pre-Trained Transformer,MutaPT)。该模型采用3D-CNN与Transformer的混合架构,先在DEAP、SEED等三个大规模开源数据集上进行跨分布自监督(CDS)预训练,再迁移至285例DOC患者数据进行微调,最终在三分类任务中取得了85.7%的平均准确率,显著优于EEGNet等传统模型。再者,针对临床脑电导联不完整、电极缺失、颅骨缺损及设备配置不统一等临床资料采集中的现实难题,Yang等[28]开发了DoC-Informer自适应脑电图深度学习框架。该模型利用CNN-Transformer混合架构与3D电极位置编码精准建模跨脑区时空依赖,并利用通道掩码训练策略增强模型对缺失数据的鲁棒性。模型在两个临床DOC数据集上,实现了UWS与MCS的精准区分,最高准确率达77.45%,性能显著优于传统机器学习与现有深度学习模型。另外,鉴于静息态特征的局限性,为了进一步增强特征表征能力,研究者开始引入脑电多模态刺激与多特征融合策略。Pan等[29]设计了个性化偏爱音乐与放松音乐的双刺激范式,融合差分熵(differential entropy,DE)、共同空间模式(common spatial pattern,CSP)及脑网络模式(electrical network pattern,ENP)三类特征,利用CNN-LSTM模型实现了对MCS患者高达78.18%的识别率(显著高于UWS组的58%~64%),证实了音乐刺激对残留意识的特异性激活效应,多特征融合结合DL能客观反映意识水平差异。

2 AI辅助EEG分析技术在DOC预后预测领域的研究进展

目前,DOC患者的意识恢复机制尚未阐明,且受发病时长、年龄、病因及损伤严重程度的综合影响,表现出显著的异质性。这种高度的个体差异使得神经功能的演变轨迹极难捕捉,导致神经预后预测至今仍是临床实践中极具挑战性的难题。鉴于此,基于ML和DL的数据驱动方法,通过深度解构EEG信号中的时空特征,可为提升意识障碍患者预后预测精准度提供新的技术支撑。

2.1 基于传统机器学习的分析模型

传统ML模型因结构简洁、可解释性强而被广泛应用于意识障碍预后评估,Ling等[30]的研究关注了DOC患者3个月后的格拉斯哥预后评分(Glasgow Outcome Scale,GOS)评分变化。通过采集静息态与听觉刺激下的EEG,计算δ与θ频段绝对功率谱密度变化值(ΔPSD),发现听觉诱发皮质响应随意识水平降低而减弱,且ΔPSD与CRS-R及GOS评分呈显著正相关;基于SVM构建预后模型,区分良好或不良预后的平均准确率达72.7%(AUC=0.877),同时证实听觉刺激诱发的功率谱改变是预测意识恢复的重要电生理标志物。Di Gregorio等[31]进一步拓展特征维度,通过提取标准EEG的定量参数(qEEG)与FC指标(wPLI等),结合LDA预测重度脑损伤后6个月的临床结局。结果显示,仅使用FC特征的模型准确率达83%,而联合EEG优势频率活动分析时,模型预测准确率为80%。Zhang等[32]则从神经机制出发,通过SVM筛选中央丘脑深部脑刺激术(deep brain stimulation,DBS)患者的术中电生理特征,首次将丘脑4~8 Hz θ节律确立为跨病因、跨年龄、跨病情的通用预后标志物;所建模型对1年后意识恢复的预测准确率超过85%,且能在传统评估判定“无望”的患者中识别出20%的隐匿恢复人群。

大多数预测模型采用良好、不良的二分类框架,而Liuzzi等[33]引入弹性网络回归(Elastic-Net),将预后评估推进至连续量表评分的精细预测。该研究基于271例DOC患者入院时的临床与脑电图特征,分别构建EEG模型、临床模型及混合模型,预测出院时CRS-R评分。结果显示,临床-EEG联合的弹性网络模型表现最优,显著优于单一模态模型。且在分类验证中,该模型预测患者脱离UWS的AUC达0.91,脱离DOC整体的AUC达0.88,证实弹性网络回归实现对意识水平的精准量化预测。

2.2 基于深度学习的分析模型

DL模型凭借强大的特征提取能力,在DOC预后评估中展现出广阔的应用前景。Aellen等[34]开展的一项多中心研究采用改进版EEGNet卷积神经网络,通过单次听觉刺激诱发的脑电反应预测了3个月后的结局(AUC≈0.70);同时进一步分析表明,模型预测置信度与反映神经同步性的相位锁值(phase locking value,PLV)呈显著正相关,与表征信号复杂度的Lempel-Ziv复杂度呈显著负相关,并且与脑干反射、EEG反应性等临床指标高度一致,证明预测模型的决策依据并非源于数据拟合,而是基于真实、可解释的神经生理机制,为DL模型在DOC预后评估中的临床可信度提供了实证支持。Snider等[35]则利用虚拟化脑电双频指数(Bispectral Index,BIS)引擎提取原始EEG的平均谱功率和γ功率等特征,结合3层神经网络构建意识恢复预测模型,准确率达87%,同时证实γ波段功率是预测意识恢复的重要新指标。

同样,早期基于预后预测的DL模型研究多局限于单一架构对脑电信号进行特征提取,近年来,多数研究者逐渐探索多维融合的技术路径,通过时空特征融合、多模态信息整合与智能优化,持续提升DOC预后预测的鲁棒性与泛化性。Zheng等[36]构建了多尺度CNN-LSTM模型,利用CNN自动提取脑电时空特征,并通过多尺度双向长短期记忆网络(Long Short-Term Memory,LSTM)同步捕捉短时动态与长时演变规律,融合年龄、性别等临床信息,对1 038例多中心患者进行神经预后预测。该模型性能随EEG记录时长的增加而逐步提升,在66 h达到最优(AUC=0.91)。Baldo-Júnior等[37]进一步引入遗传算法(genetic algorithm,GA)优化,提出一种受生物启发的多模态CNN-LSTM-GA模型,利用CNN提取空间特征、LSTM捕捉时序依赖关系,并通过GA同步完成特征选择与超参数优化。在60例昏迷患者中,模型预测准确率达92%,显著优于Transformer、SVM、MLP等模型。

3 AI辅助EEG分析技术在DOC治疗领域的研究进展

尽管EEG-AI模型已在DOC的精准分型与预后研判中展现出卓越效能,但实现意识恢复的最终落脚点在于有效治疗。当前,DOC临床干预虽涵盖药物(如唑吡坦)与非药物[如DBS、经颅磁刺激(transcranial magnetic stimulation,TMS)、经颅直流电刺激(transcranial direct current stimulation, tDCS)等神经调控]等[38]手段,却普遍面临治疗反应异质性高、疗效评估滞后、参数调节依赖经验的临床困境。近年来,AI辅助EEG分析技术正逐步介入这一环节,从治疗响应预测、神经反馈调控到刺激靶点识别,展现出辅助个体化治疗的潜力,正成为突破DOC治疗瓶颈的关键所在。

唑吡坦作为镇静催眠药,被发现可使约6%的DOC患者出现反常性意识恢复,并引发特征性脑电改变[38]。在此背景下,Hao等[39]深入解析了唑吡坦干预下的EEG生物标志物。通过对用药前后静息态与任务态EEG的频谱及FC分析,研究发现唑吡坦可特异性引起DOC患者θ频段功率下降、α频段功能连接减弱及脑微状态动态变慢。基于上述特征构建的SVM模型,能够以100%的准确率鉴别出对药物产生积极响应的亚组;而在连续量表预测中,模型预测CRS-R评分的均方根误差仅为3.84,实现了与临床实际评分的高度吻合。针对如何客观量化调控效应并预判治疗反应这一临床难点,Zhang等[40]系统探究了重复高频经颅直流电刺激(high-definition transcranial direct current stimulation,HD-tDCS)对后顶叶皮质的干预效应。研究构建了多维EEG评估体系,涵盖频谱能量、图论属性及标准化空间复杂度(normalized spatial complexity,NSC),并利用SVM、LDA、RF及KNN等多种机器学习模型筛选治疗应答标志物。结果显示,HD-tDCS可显著增强α2、β1频段功率及α1网络效率,且基于基线α与γ频段NSC特征构建的线性SVM模型,实现了92.9%的治疗应答预测准确率,证实了多维度EEG特征在筛选潜在获益人群中的高判别效能。进一步地,Wang等[41]将视角延伸至长期动态监测,对DOC患者进行了连续14 d的顶叶HD-tDCS干预,研究发现,随着干预进行,患者δ功率显著降低,α、β、γ功率、频谱熵及信息处理效率显著升高,且顶叶与枕区的γ功率及频谱熵变化与CRS-R评分提升呈高度正相关。该研究不仅验证了长期HD-tDCS对意识水平的提升作用,更重要的是,通过AI驱动的时序分析,揭示了脑电活动动态演变规律,为临床提供了量化神经调控疗效的客观生物标志物。

在机制探索层面,Zhang等[32]构建了生成式对抗AI框架,融合深度卷积神经网络(deep convolutional neural network,DCNN)与生物物理神经场模型,基于68万段跨物种数据训练并在565例人类与动物数据中验证。该系统无需先验假设,自主模拟并解析健康意识与DOC的脑活动机制,发现了皮质PV+抑制性突触耦合异常增强与基底节间接通路选择性受损两大新机制。在此基础上,AI模型通过虚拟筛选系统预测神经调控疗效,首次提出丘脑底核(subthalamic nucleus,STN)高频DBS是极具潜力的新型干预靶点。该框架建立了“机制发现-治疗筛选-临床验证”的全新范式,凸显了AI在DOC机制解析与靶点挖掘中的核心驱动作用。为弥合“黑箱模型”与临床决策之间的信任鸿沟,XAI同样被引入干预效果的量化评估研究中。Borra等[42]针对MCS患者的tDCS干预,提出了一种融合可解释卷积网络(Sinc-ShallowNet)与深度特征归因(Deep Learning Important FeaTures,DeepLIFT)的XAI框架。该系统不仅实现了干预前后状态的精准分类(准确率95.6%,AUC 95.0%),更重要的是,它能自动定位关键脑区与特征频段,量化各成分对疗效的贡献度,保留了至关重要的个体差异信息,为DOC神经调控的机制解析与个体化疗效监测提供了可解释、客观化的智能分析工具。

4 多模态融合是新兴趋势

EEG具备毫秒级时间分辨率但空间定位受限,而功能磁共振成像(functional magnetic resonance imaging,fMRI)、功能性近红外光谱技术(functional near-infrared spectroscopy,fNIRS)等能精准勾勒脑区解剖结构与代谢活动却受限于时间分辨率,单一模态往往难以完整刻画DOC的复杂病理生理图谱。因此,结合EEG、fMRI、PET及fNIRS等多种模式的数据,利用AI算法构建时空多维融合模型,可实现神经电活动与血流动力学、代谢及微观结构信息的优势互补,能够辅助DOC诊疗,提高临床实用性。

Amiri等[43]通过CONNECT-ME前瞻性队列系统验证了多模态融合的增益效应。该研究纳入87例ICU急性DOC患者,同步采集静息态、被动范式EEG、静息态fMRI FC及临床数据,分别采用RF与SVM建模。首先,针对入组时与ICU出院前的意识水平判别(≤UWS vs ≥MCS),单模态EEG最高AUC为0.79,fMRI为0.75,而EEG-fMRI多模态融合提升至AUC=0.83。其次[44],针对3个月与12个月功能预后预测,结果显示EEG与fMRI特征联合临床数据可有效预测短期预后,且EEG单独亦可预测12个月远期结局。与单一模态相比,多模态融合显著提高了阳性预测值与敏感度,且模型稳定性更优。该研究从意识障碍定性诊断到长期功能预后两个层面,证实多模态AI融合在DOC诊疗中的增量价值,为后续多中心标准化多模态DOC数据库建设提供了重要范式参考。此外,Wang等[45]采用同步EEG-fNIRS对HC、MCS及UWS患者进行静息态床旁检测,发现DOC患者全脑β功率降低、前额叶及运动前区(premotor cortex,PMC)氧合血红蛋白(oxyhemoglobin,HbO2)下降,且神经血管耦合(subthalamic nucleus,NVC)呈现组别特异性破坏:MCS保留额颞局部耦合,UWS则广泛去耦合。基于右侧PMC的HbO2联合左侧Broca区β功率构建的多模态模型,区分MCS与UWS的AUC达0.879,显著优于单模态指标,EEG-fNIRS为客观分型与隐匿意识识别提供了新型多模态标志物。

5 AI辅助EEG分析技术在DOC诊疗中的挑战与未来

随着人工智能算法的进步,AI辅助EEG分析技术为DOC诊疗开辟了广阔前景。然而,现有研究大多尚处于早期阶段,成果多局限于特定场景下的有限患者群体,向临床转化仍面临诸多挑战。

在数据层面,当前DOC研究普遍存在样本量小、数据分布不均及跨中心差异显著的问题,限制了模型的泛化能力。未来需建立大规模、多中心标准化数据库。在模型层面,DL模型虽性能优越,但其固有的“黑箱”特性阻碍了临床信任与应用。发展XAI是实现临床落地的关键。在临床适配性上,真实临床环境常伴有电极缺失、噪声干扰及设备差异,迫切需要开发具有鲁棒性的自适应模型。在多模态融合方面,单一EEG信息存在固有局限,未来应着力推进EEG与fMRI、PET、fNIRS及神经调控数据的深度融合,以更全面地刻画意识状态。在实时闭环应用上,“AI+EEG+神经调控”闭环系统的构建是重要的发展方向,可望实现意识状态的实时监测与动态、个体化干预。

总体而言,随着算法创新、数据共享和临床验证的不断推进,AI驱动的EEG技术有望从辅助工具发展为DOC临床管理的核心决策支持系统,推动意识障碍研究迈入精准医学新时代。

参考文献

[1] Coleman MR, Davis MH, Rodd JM, et al. Towards the routine use of brain imaging to aid the clinical diagnosis of disorders of consciousness[J]. Brain, 2009, 132(9): 2541-2552.

[2] Giacino JT, Kalmar K, Whyte J. The JFK Coma Recovery Scale-Revised: Measurement characteristics and diagnostic utility[J]. Arch Phys Med Rehabil, 2004, 85(12): 2020-2029.

[3] Schnakers C, Vanhaudenhuyse A, Giacino J, et al. Diagnostic accuracy of the vegetative and minimally conscious state: Clinical consensus versus standardized neurobehavioral assessment[J]. BMC Neurol, 2009, 9: 35.

[4] Turgeon AF, Lauzier F, Simard JF, et al. Mortality associated with withdrawal of life-sustaining therapy for patients with severe traumatic brain injury: A Canadian multicentre cohort study[J]. CMAJ, 2011, 183(14): 1581-1588.

[5] Harrison AH, Connolly JF. Finding a way in: A review and practical evaluation of fMRI and EEG for detection and assessment in disorders of consciousness[J]. Neurosci Biobehav Rev, 2013, 37(8): 1403-1419.

[6] Ma X, Qi Y, Xu C, et al. How well do neural signatures of resting-state EEG detect consciousness? A large-scale clinical study[J]. Hum Brain Mapp, 2024, 45(4): e26586.

[7] Edlow BL, Claassen J, Schiff ND, et al. Recovery from disorders of consciousness: Mechanisms, prognosis and emerging therapies[J]. Nat Rev Neurol, 2021, 17(3): 135-156.

[8] Yang H, Wu H, Kong L, et al. Precise detection of awareness in disorders of consciousness using deep learning framework[J]. Neuroimage, 2024, 290: 120580.

[9] Zhang R, Guo H, Xu Z, et al. MGFKD: A semi-supervised multi-source domain adaptation algorithm for cross-subject EEG emotion recognition[J]. Brain Res Bull, 2024, 208: 110901.

[10] Lee M, Laureys S. Artificial intelligence and machine learning in disorders of consciousness[J]. Curr Opin Neurol, 2024, 37(6): 614-620.

[11] Engemann DA, Raimondo F, King JR, et al. Robust EEG-based cross-site and cross-protocol classification of states of consciousness[J]. Brain, 2018, 141(11): 3179-3192.

[12] Toppi J, Quattrociocchi I, Riccio A, et al. EEG-derived markers to improve prognostic evaluation of disorders of consciousness[J]. IEEE J Biomed Heal Inform, 2024, 28(11): 6674-6684.

[13] Porcaro C, Marino M, Carozzo S, et al. Fractal dimension feature as a signature of severity in disorders of consciousness: An EEG study[J]. Int J Neural Syst, 2022, 32(7): 2250031.

[14] Raveendran S, Kenchaiah R, Kumar S, et al. Variational mode decomposition-based EEG analysis for the classification of disorders of consciousness[J]. Front Neurosci, 2024, 18: 1340528.

[15] Liuzzi P, Hakiki B, Draghi F, et al. EEG fractal dimensions predict high-level behavioral responses in minimally conscious patients[J]. J Neural Eng, 2023, 20(4): 046038.

[16] Zhang Y, Hui Z, Su Y, et al. EEG microstate analysis in children with prolonged disorders of consciousness[J]. Sci Rep, 2025, 15(1): 26148.

[17] Dong W, Yang Y, Wu T, et al. Objective assessment of disorders of consciousness based on EEG temporal and spectral features[J]. Int J Neural Syst, 2026, 36(1): 2550067.

[18] Wang X, Yang Y, Laforge G, et al. Global field time-frequency representation-based discriminative similarity analysis of passive auditory ERPs for diagnosis of disorders of consciousness[J]. IEEE Trans Biomed Eng, 2024, 71(6): 1820-1830.

[19] Keles E, Bagci U. The past, current, and future of neonatal intensive care units with artificial intelligence: A systematic review[J]. npj Digit Med, 2023, 6: 220.

[20] Lee M, Kwak HG, Kim HJ, et al. SeriesSleepNet: an EEG time series model with partial data augmentation for automatic sleep stage scoring[J]. Front Physiol, 2023, 14: 1188678.

[21] Tian C, Cheng T, Peng Z, et al. A survey on deep learning fundamentals[J]. Artif Intell Rev, 2025, 58(12): 381.

[22] Altıntop ÇG, Latifoğlu F, Karayol Akın A, et al. A novel approach for detection of consciousness level in comatose patients from EEG signals with 1-D convolutional neural network[J]. Biocybern Biomed Eng, 2022, 42(1): 16-26.

[23] Gao Z, Lu M, Guo Z. Application of deep learning on classification of disorders of consciousness based on EEG frequency-domain features[C]//Proceedings of the 2023 7th International Conference on Electronic Information Technology and Computer Engineering. Xiamen China. ACM, 2023: 1042-1047.

[24] Raveendran S, Kala S, A G R, et al. Functional connectivity in EEG: A multiclass classification approach for disorders of consciousness[J]. Front Neurosci, 2025, 19: 1550581.

[25] Qu S, Wu X, Huang L, et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning[J]. Sci Rep, 2026, 16(1): 7417.

[26] Lee M, Sanz LRD, Barra A, et al. Quantifying arousal and awareness in altered states of consciousness using interpretable deep learning[J]. Nat Commun, 2022, 13(1): 1064.

[27] Wang Z, Yu J, Gao J, et al. MutaPT: A multi-task pre-trained transformer for classifying state of disorders of consciousness using EEG signal[J]. Brain Sci, 2024, 14(7): 688.

[28] Yang F, Pi L, Chen D, et al. DoC-informer: Automated discrimination of disorders of consciousness under adaptive EEG settings[J]. IEEE Trans Biomed Eng, 2026. DOI:10.1109/TBME.2026.3668768.

[29] Pan J, Chen Y, Xiao Q, et al. Assessing consciousness in patients with disorders of consciousness using a musical stimulation paradigm and verifiable criteria[J]. IEEE Trans Neural Syst Rehabil Eng, 2024, 32: 2971-2982.

[30] Ling Y, Xu C, Wen X, et al. Cortical responses to auditory stimulation predict the prognosis of patients with disorders of consciousness[J]. Clin Neurophysiol, 2023, 153: 11-20.

[31] di Gregorio F, La Porta F, Petrone V, et al. Accuracy of EEG biomarkers in the detection of clinical outcome in disorders of consciousness after severe acquired brain injury: Preliminary results of a pilot study using a machine learning approach[J]. Biomedicines, 2022, 10(8): 1897.

[32] Zhang H, Ge Q, Liu X, et al. A shared central thalamus mechanism underlying diverse recoveries in disorders of consciousness[J]. Nat Commun, 2025, 16(1): 10400.

[33] Liuzzi P, Grippo A, Campagnini S, et al. Merging clinical and EEG biomarkers in an elastic-net regression for disorder of consciousness prognosis prediction[J]. IEEE Trans Neural Syst Rehabil Eng, 2022, 30: 1504-1513.

[34] Aellen FM, Alnes SL, Loosli F, et al. Auditory stimulation and deep learning predict awakening from Coma after cardiac arrest[J]. Brain, 2023, 146(2): 778-788.

[35] Snider SB, Molyneaux BJ, Murthy A, et al. Developing an electroencephalogram-based model to predict awakening after cardiac arrest using partial processing with the BIS engine[J]. Anesthesiology, 2025, 142(5): 806-817.

[36] Zheng WL, Amorim E, Jing J, et al. Predicting neurological outcome in comatose patients after cardiac arrest with multiscale deep neural networks[J]. Resuscitation, 2021, 169: 86-94.

[37] Baldo-Júnior S, Carneiro MG, Barbosa JLM, et al. A bioinspired multimodal CNN-LSTM network for EEG analysis of patients in Coma[J]. Sensors (Basel), 2025, 25(22): 6981.

[38] Thibaut A, Schiff N, Giacino J, et al. Therapeutic interventions in patients with prolonged disorders of consciousness[J]. Lancet Neurol, 2019, 18(6): 600-614.

[39] Hao Z, Xia X, Bai Y, et al. EEG evidence reveals zolpidem-related alterations and prognostic value in disorders of consciousness[J]. Front Neurosci, 2022, 16: 863016.

[40] Zhang C, Han S, Li Z, et al. Multidimensional assessment of electroencephalography in the neuromodulation of disorders of consciousness[J]. Front Neurosci, 2022, 16: 903703.

[41] Wang Y, Liu W, Wang Y, et al. Long-term HD-tDCS modulates dynamic changes of brain activity on patients with disorders of consciousness: A resting-state EEG study[J]. Comput Biol Med, 2024, 170: 108084.

[42] Zhang H, Ge Q, Liu X, et al. A shared central thalamus mechanism underlying diverse recoveries in disorders of consciousness[J]. Nat Commun, 2025, 16(1): 10400.

[43] Borra D, Bonsangue V, Straudi S, et al. Revealing EEG signatures of intervention in disorder of consciousness using artificial intelligence: methodology and feasibility[J]. Comput Meth Programs Biomed, 2026, 275: 109159.

[44] Amiri M, Fisher PM, Raimondo F, et al. Multimodal prediction of residual consciousness in the intensive care unit: The CONNECT-ME study[J]. Brain, 2023, 146(1): 50-64.

[45] Amiri M, Raimondo F, Fisher PM, et al. Multimodal prediction of 3- and 12-month outcomes in ICU patients with acute disorders of consciousness[J]. Neurocrit Care, 2024, 40(2): 718-733.

[46] Wang N, Si J, He Y, et al. Cerebral neurovascular networks may serve as potential targets for identifying disorders of consciousness: A synchronous electroencephalography and functional near-infrared spectroscopy study[J]. MedComm, 2025, 6(12): e70530.

 

声明:本文为模板演示用示例文稿,不构成任何医疗建议;如有健康问题请咨询专业医师。
广告位