目的：癫痫研究主要集中在发作开始；然而，医生通常还会检查发作开始后的传播模式。本研究旨在将自动化癫痫分析与临床实践对齐，利用深度学习标准化不同医生之间的癫痫注释，并了解患者之间的常见发作传播模式。方法：我们在少量患者中开发了深度学习算法以检测发作活动，并将这些算法应用于71名患者的275次发作中，分析传播模式（范围、时间、手术结果和常见模式），同时结合扩散加权成像以了解这些模式如何与大脑的结构连接相关。结果：深度学习算法在根据医生注释作为基准对发作开始接触点进行排名时表现优于单一特征（线长度、绝对斜率和功率）。我们还发现，结果不良的患者在癫痫发作中涉及的脑区更广泛，同时颞叶之间的传播更迅速。结合扩散加权成像，我们发现颞叶之间结构连接的增加与更快的发作传播相关。最后，我们根据传播时间、位置和范围识别出患者之间普遍存在的传播模式集群。解释：分析发作传播可以揭示癫痫发作演变及其与患者手术结果之间关系的新见解。这些发现也表明，超越发作开始的焦点对理解和治疗癫痫至关重要。ANN NEUROL 2026。
Revell等（周五）研究了这个问题。