研究人员已经证明，深度学习模型可以帮助神经科医师从相对较少的头皮脑电图(EEG)读数中解释癫痫发作期间和发作之间的癫痫发作。

　　最好的模型证明了所审查的概念：使用数字疾病日记，需要比人类专家少142倍的EEG数据才能使用的自动注释工具，而癫痫患者需要记录的记录要少142倍。

　　来自IBM与天普大学和其他学术中心合作的研究人员与来自全球14个研究中心的87位科学家和软件工程师合作开发了模型。

　　该研究小组分析了365名患者的EEG数据，这些数据分别代表17.2万次发作(发作期间)和220万次发作间(发作之间)。分析的一部分是进行众包AI挑战。

　　该研究的作者在3月18日发表在《柳叶刀》杂志EBioMedicine上的一份报告中解释说：“参与者的任务是开发具有高灵敏度和低虚警率的双眼/多眼分类器。“我们建立了一个挑战平台，阻止参与者下载或直接访问数据，同时允许众包模型开发。”

　　在澳大利亚的IBM研究人员Stefan Harrer和美国的Gustavo Stolovitzky的带领下，研究小组发现他们新颖的自动癫痫发作检测仪返回的灵敏度高达91.6%。

　　作者评论说：“这项研究证明了深度学习在EEG数据中特定于患者的癫痫发作检测中的作用。”“此外，深度学习与人工审阅者的结合可以为辅助数据标记系统提供基础，从而减少人工审阅的时间，同时保持人类专家的注释性能。”