隨著人工智能（Artificial intelligence，AI）技術的發展，AI在醫學領域的應用已經取得了長足的進步。國外期刊在AI應用于癲癇的研究方面已發表了大量論文，而國內期刊在這方面的論文較少。為了解AI應用于癲癇的全球研究進展與發展趨勢，本研究以科學引文數據庫（Web of Science）核心合集收錄且于2022年12月31日前發表的該領域的895篇論文為研究對象，采用文獻計量學等方法，分析了年度發文量及其被引次數、發文量最多的作者、機構和國家及其合作關系，并探討了該領域的研究熱點及其未來趨勢。研究結果顯示，2016年之前，AI在癲癇中應用研究的年發文量增長緩慢，2017年之后，年發文量快速增長。美國發文量最多（273篇），其次為中國（195篇）。發文量最多的機構為英國的倫敦大學（36篇），我國的首都醫科大學發文量為23篇。發文量最多的作者為Gregory Worrell（14篇），我國發文量最多的學者是廈門大學的郭嘉陽（7篇）。機器學習在癲癇診療中的應用研究是該領域早期的研究熱點，而基于腦電圖特征提取的癲癇發作預警、深度學習尤其是卷積神經網絡在癲癇診斷中的應用、云計算在癲癇健康相關問題中的應用是近期該領域的研究熱點。基于AI的腦電圖特征提取、深度學習在癲癇診療中的應用以及物聯網解決癲癇健康有關問題研究是該領域未來的研究方向。
引用本文： 王廣新, 陳志強, 楊經緯. 人工智能應用于癲癇的全球研究進展與發展趨勢. 癲癇雜志, 2023, 9(6): 487-491. doi: 10.7507/2096-0247.202309004 復制
人工智能（Artificial intelligence，AI）是一門模仿人類智能的計算機科學，其特征是具有感知、推理、歸納以及從過去的經驗中吸取教訓、解決問題或做出決定的能力[1-3]。在醫學領域，AI技術出現之前，大量的診療工作都由醫生個人完成，任務十分繁重。近年來，隨著AI技術的迅速發展，醫學正在由傳統醫療模式轉向AI輔助醫學的新時代，過去的醫療模式不能滿足現代醫學的需求，AI技術如機器學習、深度學習和計算機視覺等已經融入醫學臨床實踐，提高了疾病診斷的準確性以及臨床操作的效率。另外，AI技術在藥物研發、醫療管理、醫學教育等方面也發揮了至關重要的作用[4，5]。癲癇是最常見的神經系統疾病之一，其準確診斷至關重要。臨床工作中，一些患者會被誤診為癲癇，而一些癲癇患者會被誤診為其它疾病，得不到正確的治療，從而造成嚴重后果。雖然大部分癲癇患者使用單一藥物即可控制癲癇發作，但也有一些患者需要使用多種藥物、手術或飲食治療。此外，20%～30%的癲癇患者即使采用規范的治療，其發作也無法得到控制，成為難治性癲癇[6]。近年來，國外期刊在AI應用于癲癇方面的研究論文快速增加，主要涉及癲癇的預警、診斷、癲癇灶的精準化切除及預后建模等方面，而國內期刊在這方面的研究論文較少[7，8]。本文以科學引文數據庫（Web of Science）核心合集收錄且于2022年12月31日前發表的有關AI應用于癲癇的895篇論文為研究對象，擬采用文獻計量學等方法，分析全球年度發文量及其被引次數的演變，發文量最多的作者、機構和國家及其合作關系，并探討該領域的研究熱點、演變規律及其未來研究趨勢。
1 研究進展
1.1 全球年發文量、被引次數及其演變
本研究共納入AI應用于癲癇的研究論文895篇，其中論著824篇（92.1%），綜述71篇（7.9%）。該領域最早的論文發表于1994年。年發文量和年被引頻次的變化趨勢見圖1。如圖1所示，2016年之前，該領域的年發表論文數量增長緩慢，每年最多僅發表18篇。2017年后，年發表論文數量快速增長，2022年達到239篇，是2016年發文量的14倍余。這是因為從2016年開始為第三次人工智能革命的興起階段[9]，AI為醫學包括癲癇診療技術的發展提供了機遇，因此全球掀起了AI與醫學融合研究的熱潮，論文數量也就快速增加。年論文被引頻次也呈現同樣的趨勢，2017年后年論文被引頻次快速增長。
圖1
全球年發文量和被引頻次變化趨勢
1.2 期刊分析
共檢索到200種期刊發表了AI在癲癇中應用的研究論文，其中73種期刊（36.5%）僅發表1篇相關論文。發文量最多的期刊是Epilepsia（48篇），占總發文量的5.4%，其次是Epilepsy & Behavior（31篇，3.5%）和Biomedical Signal Processing and Control（27篇，3.0%）。Expert Systems With Applications所發論文被引用頻次最多（1 136次）。
1.3 作者、機構和國家分析
AI在癲癇中應用領域發文量最多的作者為美國神經病學家Gregory Worrell（14篇）。廈門大學的郭嘉陽是發文量最多的中國學者（7篇）。發文量最多的機構為英國的倫敦大學（36篇），其次為美國的加州大學系統（35篇）和哈佛大學（32篇），而我國的首都醫科大學發文量列全球前10位，為23篇。發文量最多的國家為美國（273篇），其次為中國（195篇），列第三位的國家為印度（117篇）。具體到國家之間的合作，以美國與中國之間的合作最多，其次是美國與德國的合作，顯示中美在該領域有較深入的研究及合作，處于相對領先地位。
1.4 研究熱點分析
研究熱點是指某領域最為關注和研究的問題。研究熱點分析對于把握AI在癲癇中應用研究的歷史和現狀具有重要意義。
1.4.1 基于高頻熱點關鍵詞的研究熱點
對關鍵詞出現頻次的分析發現，在AI應用于癲癇的研究領域，除了癲癇和AI外，出現頻次最高的前10個關鍵詞分別為：腦電圖、機器學習、深度學習、特征提取、發作監測、卷積神經網絡、支持向量機、發作、腦模擬和發作預測。根據上述關鍵詞，可將AI應用于癲癇領域的研究熱點歸納為二個方面：基于AI技術的腦電圖自動分析以輔助癲癇診斷、大腦網絡建模以優化癲癇治療策略。癲癇診斷的主要依靠異常的腦電圖。腦電圖的分析一般是通過視覺檢查來完成，但這種人工檢查的過程非常耗時且效率低，尤其是在分析長程腦電圖時更加困難，甚至難以完成[10]。另外，癲癇與其他存在腦電圖異常的神經系統疾病共病，以及腦電圖信號（特別是顱外或頭皮腦電圖）被偽影干擾時，都可使得人工視覺檢查過程變得更加困難。鑒于AI技術在分析大型復雜數據方面的高效性，AI技術使腦電圖信號的自動檢測成為可能。目前，AI輔助的腦電圖自動檢測涵蓋腦電信號采集、信號處理、特征提取、特征選擇以及AI模型訓練和測試等內容。不同AI技術分析的模式不同，如機器學習使用EEG傳統特征即時域特征、頻域特征或時頻特征進行EEG分析，并據此進行選擇和分類，而深度學習方法有一個完整的端到端結構，可以自動進行特征提取和分類[11，12]。大腦網絡建模可以重現每個癲癇患者的病理特征，如大腦的結構和/或功能的改變，并通過在患者特定環境中的系統模擬來預測各種治療干預的效果。因此，大腦網絡建模可以優化癲癇治療策略。Proix等[13]研究表明，當在實際手術中通過模擬確定的目標部位沒有被充分切除時，經常會觀察到不良的手術后果。Jirsa等[14]一直致力于臨床應用的個性化腦網絡建模研究，他們提出了一種新的方法開發出個體的大腦網絡模型，即虛擬癲癇患者，該大腦網絡模型已經應用于大腦的致癇區域確定、癲癇發作的傳播特征分析、以及手術干預的預后預測等。
1.4.2 基于關鍵詞聚類分析的研究熱點
根據關鍵詞的基本特征、共現頻率及其演變得出以下八個聚類，其中聚類2、4、8為近期該領域的研究熱點。
聚類1代表了AI在癲癇領域應用的早期研究熱點即機器學習在癲癇中的應用。該聚類包含的關鍵詞主要有癲癇、機器學習、癲癇外科、人工智能、神經影像、立體腦電圖。目前，機器學習已經在癲癇預測、大腦成像分析以及外科手術結局預測等方面得到應用[15]。
聚類2為基于腦電圖特征提取的癲癇發作預警。該聚類主要包含如下關鍵詞：發作預測、腦電圖、特征提取、神經網絡。腦電圖特征特征提取過程主要針對單變量/雙變量以及線性/非線性特征[16]。Lu等[17]通過對腦電圖信號特征的提取、處理，進而對癲癇發作作出預警，有助于提前防范，提高了患者的生活質量。
聚類3聚焦于支持向量機等算法識別癲癇發作。該聚類包含支持向量機、癲癇發作、分類、隨機森林等關鍵詞。Wang等[18]通過構建支持向量機模型來研究復雜部分性發作和簡單部分性發作之間的功能網絡差異，從而實現對不同類型癲癇發作的識別。
聚類4主要涉及深度學習特別是卷積神經網絡在癲癇診斷中的應用，其包括的關鍵詞有：卷積神經網絡、癲癇診斷、深度學習。隨著AI技術的發展，深度學習特別是卷積神經網絡已被應用于識別腦電信號[19]。Türk等[20]在一項前瞻性研究中將連續小波變換應用于包含5種不同類別的腦電信號，得到二維頻率-時間量圖，然后使用卷積神經網絡分析這些量圖圖像的屬性，以發現異常腦電圖，取得了很好的效果。
聚類5重點關注癲癇發作的檢測方式。該聚類主要包含如下關鍵詞：診斷、發作、預測、自然語言處理。癲癇發作的識別對癲癇患者的診斷非常重要。由于癲癇發作是腦內節律性放電的過程，較少出現且不可預測，故常規腦電圖檢查容易出現假陰性結果。AI技術不僅可以輔助常規腦電圖的分析，而且可以對長程腦電圖信號進行自動分析，效率明顯優于人工肉眼識別[21]。
聚類6涉及可穿戴設備預警癲癇發作。該聚類主要包含如下關鍵詞：可穿戴設備、可穿戴傳感器、精準醫學。癲癇發作具有突發性和不可預見性，導致繼發性損害、癲癇持續狀態和猝死的風險較大。因此，使用可穿戴設備檢測癲癇發作，可使周圍人及時發現發作，以便及時應對以預防或減輕不良后果的發生[22]。
聚類7聚焦小波變換對部分性癲癇腦電信號的處理。該聚類包含主要包含小波變換、部分性癲癇、信號處理等關鍵詞。在過去的幾十年里，小波變換被廣泛應用于腦電信號的特征提取，從而實現癲癇發作的自動診斷[23]。
聚類8主要關注云計算應用于癲癇健康有關問題。該聚類包含的關鍵詞有云計算、物聯網、健康。與機器學習技術和云計算服務相結合的物聯網技術已經成為解決醫療健康領域許多問題的強大技術。Singh等[24]介紹了一種自動癲癇發作檢測系統，該系統利用現有通信技術與機器學習和云計算協作，用于癲癇發作的早期遠程檢測。
2 研究的時間演變過程與未來趨勢
2.1 研究的時間演變過程
2.1.1 萌芽階段（1994年—2016年）
以AI為代表的新技術拉開了“第四次工業革命”的序幕。自1956年提出AI的概念以來，人們對AI的理論研究在經歷了二次高潮和低谷時期后，最終于上世紀九十年代初走進現實，應用于實踐[25]。AI應用于癲癇領域最早的研究論文發表于1994年，該研究認為人工神經網絡為自動化、實時檢測癇性放電提供了一種實用的解決方案[26]。此后22年，每年發表的論文數量一直緩慢上升，但是，這期間即使是發文量最多的2014年也僅發表18篇論文，說明在這一時期AI在癲癇領域的應用較其他領域滯后，一直處于起步期，因此本文將1994年—2016年確定為AI應用于癲癇研究的萌芽階段。
2.1.2 發展階段（2017年-2022年）
AI應用于癲癇的研究于2017年出現快速增長。這可能是歸功于2017年前后涌現的神經網絡、語音識別、自動機器人和機器學習等AI技術，這些技術為疾病預測、診斷和管理水平的提升提供了機遇。Acharya等[27]于2018年開發了一種基于深度卷積神經網絡的計算機輔助診斷系統，該系統利用機器學習技術自動區分腦電信號的類別以輔助癲癇診斷，其準確性和特異性均較高。因此，在這個階段，AI的應用大大提高了癲癇診療等服務的質量和效率，幫助醫生更好地診斷和治療癲癇患者。
根據上述發展趨勢，我們預計該領域年發表論文數量將繼續增加或維持在較高的數量，AI將在癲癇領域發揮越來越重要的作用，其應用將會越來越廣泛。
2.2 未來研究趨勢
為了預測AI在癲癇應用的未來研究方向，我們使用文獻計量學分析軟件VOSviewer進行關鍵詞的疊加圖和密度圖分析。分析結果顯示該領域的研究可能會朝向以下三個方向發展。
2.2.1 基于AI的腦電圖特征提取
腦電圖的人工視覺分析需要依賴經過培訓的專業人員完成，不僅耗時耗力，而且容易出錯，隨著AI技術的發展，研究人員不斷開發出更加有效的自動分析方法[28]。腦電圖自動分析的關鍵是對腦電信號時空特征的提取，涉及其單變量/雙變量以及線性/非線性特征。目前，利用短時傅里葉變換和小波變換技術提取腦電圖信號的時域特征然后對腦電信號進行分類的成功率已達到81.96%～98.75%，其成功率和時效性均有待提高。
2.2.2 深度學習在癲癇診療中的應用
深度學習是近十余年來才出現的一個復雜的機器學習算法，其學習方式主要有監督學習、無監督學習和半監督學習。與傳統的機器學習算法不同，它可以自動學習數據中的更加抽象和復雜的特征，可以在圖像識別、語音識別、自然語言處理等方面表現得更加高效。深度學習的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。目前深度學習在癲癇診療中的研究多涉及監督學習[29-30]，預計無監督學習將變得更加重要，需要進一步研究。另外，采用深度學習模型提取癲癇患者的多模態數據（電子病歷、腦電圖、影像數據和基因組數據），從而形成能夠全面代表患者臨床狀態的框架，將有助癲癇患者的精準診療。
2.2.3 物聯網解決癲癇健康有關問題研究
在云計算和機器學習技術的協助下，物聯網為各種醫療問題提供實時解決方案，如通過及時接收到基于云計算的癲癇發作預測系統的預警信息，可使患者免于重大傷害或猝死。另外，物聯網在癲癇的預后、協助癲癇手術以及健身/運動項目選擇等方面也將會受到關注。
3 結語
目前全球在AI 應用于癲癇的研究正處于快速增長階段，近年來，論文數量增長迅速，并有望進一步增加。中美在該領域有較深入的研究及合作，處于相對領先地位。發文量最多的機構為英國的倫敦大學，我國的首都醫科大學發文量列全球前10位。發文量最多的作者為美國的Gregory Worrell，我國發文量最多學者是廈門大學的郭嘉陽。機器學習在癲癇診療中的應用研究是該領域早期的研究熱點，而基于腦電圖特征提取的癲癇發作預警、深度學習尤其是卷積神經網絡在癲癇診斷中的應用、云計算在癲癇健康相關問題中的應用是近期該領域的研究熱點。基于AI的腦電圖特征提取、深度學習在癲癇診療中的應用以及物聯網解決癲癇健康有關問題研究是該領域未來的研究方向。
總之，本文對AI在癲癇中應用的全球研究現狀和未來研究方向進行了全面分析。同時，本文發現了該領域最活躍的研究人員、機構，有助于我們尋找到合適的科研合作者，為開展該領域的國際合作研究奠定基礎。
利益沖突聲明 所有作者無利益沖突。
人工智能（Artificial intelligence，AI）是一門模仿人類智能的計算機科學，其特征是具有感知、推理、歸納以及從過去的經驗中吸取教訓、解決問題或做出決定的能力[1-3]。在醫學領域，AI技術出現之前，大量的診療工作都由醫生個人完成，任務十分繁重。近年來，隨著AI技術的迅速發展，醫學正在由傳統醫療模式轉向AI輔助醫學的新時代，過去的醫療模式不能滿足現代醫學的需求，AI技術如機器學習、深度學習和計算機視覺等已經融入醫學臨床實踐，提高了疾病診斷的準確性以及臨床操作的效率。另外，AI技術在藥物研發、醫療管理、醫學教育等方面也發揮了至關重要的作用[4，5]。癲癇是最常見的神經系統疾病之一，其準確診斷至關重要。臨床工作中，一些患者會被誤診為癲癇，而一些癲癇患者會被誤診為其它疾病，得不到正確的治療，從而造成嚴重后果。雖然大部分癲癇患者使用單一藥物即可控制癲癇發作，但也有一些患者需要使用多種藥物、手術或飲食治療。此外，20%～30%的癲癇患者即使采用規范的治療，其發作也無法得到控制，成為難治性癲癇[6]。近年來，國外期刊在AI應用于癲癇方面的研究論文快速增加，主要涉及癲癇的預警、診斷、癲癇灶的精準化切除及預后建模等方面，而國內期刊在這方面的研究論文較少[7，8]。本文以科學引文數據庫（Web of Science）核心合集收錄且于2022年12月31日前發表的有關AI應用于癲癇的895篇論文為研究對象，擬采用文獻計量學等方法，分析全球年度發文量及其被引次數的演變，發文量最多的作者、機構和國家及其合作關系，并探討該領域的研究熱點、演變規律及其未來研究趨勢。
1 研究進展
1.1 全球年發文量、被引次數及其演變
本研究共納入AI應用于癲癇的研究論文895篇，其中論著824篇（92.1%），綜述71篇（7.9%）。該領域最早的論文發表于1994年。年發文量和年被引頻次的變化趨勢見圖1。如圖1所示，2016年之前，該領域的年發表論文數量增長緩慢，每年最多僅發表18篇。2017年后，年發表論文數量快速增長，2022年達到239篇，是2016年發文量的14倍余。這是因為從2016年開始為第三次人工智能革命的興起階段[9]，AI為醫學包括癲癇診療技術的發展提供了機遇，因此全球掀起了AI與醫學融合研究的熱潮，論文數量也就快速增加。年論文被引頻次也呈現同樣的趨勢，2017年后年論文被引頻次快速增長。
圖1
全球年發文量和被引頻次變化趨勢
1.2 期刊分析
共檢索到200種期刊發表了AI在癲癇中應用的研究論文，其中73種期刊（36.5%）僅發表1篇相關論文。發文量最多的期刊是Epilepsia（48篇），占總發文量的5.4%，其次是Epilepsy & Behavior（31篇，3.5%）和Biomedical Signal Processing and Control（27篇，3.0%）。Expert Systems With Applications所發論文被引用頻次最多（1 136次）。
1.3 作者、機構和國家分析
AI在癲癇中應用領域發文量最多的作者為美國神經病學家Gregory Worrell（14篇）。廈門大學的郭嘉陽是發文量最多的中國學者（7篇）。發文量最多的機構為英國的倫敦大學（36篇），其次為美國的加州大學系統（35篇）和哈佛大學（32篇），而我國的首都醫科大學發文量列全球前10位，為23篇。發文量最多的國家為美國（273篇），其次為中國（195篇），列第三位的國家為印度（117篇）。具體到國家之間的合作，以美國與中國之間的合作最多，其次是美國與德國的合作，顯示中美在該領域有較深入的研究及合作，處于相對領先地位。
1.4 研究熱點分析
研究熱點是指某領域最為關注和研究的問題。研究熱點分析對于把握AI在癲癇中應用研究的歷史和現狀具有重要意義。
1.4.1 基于高頻熱點關鍵詞的研究熱點
對關鍵詞出現頻次的分析發現，在AI應用于癲癇的研究領域，除了癲癇和AI外，出現頻次最高的前10個關鍵詞分別為：腦電圖、機器學習、深度學習、特征提取、發作監測、卷積神經網絡、支持向量機、發作、腦模擬和發作預測。根據上述關鍵詞，可將AI應用于癲癇領域的研究熱點歸納為二個方面：基于AI技術的腦電圖自動分析以輔助癲癇診斷、大腦網絡建模以優化癲癇治療策略。癲癇診斷的主要依靠異常的腦電圖。腦電圖的分析一般是通過視覺檢查來完成，但這種人工檢查的過程非常耗時且效率低，尤其是在分析長程腦電圖時更加困難，甚至難以完成[10]。另外，癲癇與其他存在腦電圖異常的神經系統疾病共病，以及腦電圖信號（特別是顱外或頭皮腦電圖）被偽影干擾時，都可使得人工視覺檢查過程變得更加困難。鑒于AI技術在分析大型復雜數據方面的高效性，AI技術使腦電圖信號的自動檢測成為可能。目前，AI輔助的腦電圖自動檢測涵蓋腦電信號采集、信號處理、特征提取、特征選擇以及AI模型訓練和測試等內容。不同AI技術分析的模式不同，如機器學習使用EEG傳統特征即時域特征、頻域特征或時頻特征進行EEG分析，并據此進行選擇和分類，而深度學習方法有一個完整的端到端結構，可以自動進行特征提取和分類[11，12]。大腦網絡建模可以重現每個癲癇患者的病理特征，如大腦的結構和/或功能的改變，并通過在患者特定環境中的系統模擬來預測各種治療干預的效果。因此，大腦網絡建模可以優化癲癇治療策略。Proix等[13]研究表明，當在實際手術中通過模擬確定的目標部位沒有被充分切除時，經常會觀察到不良的手術后果。Jirsa等[14]一直致力于臨床應用的個性化腦網絡建模研究，他們提出了一種新的方法開發出個體的大腦網絡模型，即虛擬癲癇患者，該大腦網絡模型已經應用于大腦的致癇區域確定、癲癇發作的傳播特征分析、以及手術干預的預后預測等。
1.4.2 基于關鍵詞聚類分析的研究熱點
根據關鍵詞的基本特征、共現頻率及其演變得出以下八個聚類，其中聚類2、4、8為近期該領域的研究熱點。
聚類1代表了AI在癲癇領域應用的早期研究熱點即機器學習在癲癇中的應用。該聚類包含的關鍵詞主要有癲癇、機器學習、癲癇外科、人工智能、神經影像、立體腦電圖。目前，機器學習已經在癲癇預測、大腦成像分析以及外科手術結局預測等方面得到應用[15]。
聚類2為基于腦電圖特征提取的癲癇發作預警。該聚類主要包含如下關鍵詞：發作預測、腦電圖、特征提取、神經網絡。腦電圖特征特征提取過程主要針對單變量/雙變量以及線性/非線性特征[16]。Lu等[17]通過對腦電圖信號特征的提取、處理，進而對癲癇發作作出預警，有助于提前防范，提高了患者的生活質量。
聚類3聚焦于支持向量機等算法識別癲癇發作。該聚類包含支持向量機、癲癇發作、分類、隨機森林等關鍵詞。Wang等[18]通過構建支持向量機模型來研究復雜部分性發作和簡單部分性發作之間的功能網絡差異，從而實現對不同類型癲癇發作的識別。
聚類4主要涉及深度學習特別是卷積神經網絡在癲癇診斷中的應用，其包括的關鍵詞有：卷積神經網絡、癲癇診斷、深度學習。隨著AI技術的發展，深度學習特別是卷積神經網絡已被應用于識別腦電信號[19]。Türk等[20]在一項前瞻性研究中將連續小波變換應用于包含5種不同類別的腦電信號，得到二維頻率-時間量圖，然后使用卷積神經網絡分析這些量圖圖像的屬性，以發現異常腦電圖，取得了很好的效果。
聚類5重點關注癲癇發作的檢測方式。該聚類主要包含如下關鍵詞：診斷、發作、預測、自然語言處理。癲癇發作的識別對癲癇患者的診斷非常重要。由于癲癇發作是腦內節律性放電的過程，較少出現且不可預測，故常規腦電圖檢查容易出現假陰性結果。AI技術不僅可以輔助常規腦電圖的分析，而且可以對長程腦電圖信號進行自動分析，效率明顯優于人工肉眼識別[21]。
聚類6涉及可穿戴設備預警癲癇發作。該聚類主要包含如下關鍵詞：可穿戴設備、可穿戴傳感器、精準醫學。癲癇發作具有突發性和不可預見性，導致繼發性損害、癲癇持續狀態和猝死的風險較大。因此，使用可穿戴設備檢測癲癇發作，可使周圍人及時發現發作，以便及時應對以預防或減輕不良后果的發生[22]。
聚類7聚焦小波變換對部分性癲癇腦電信號的處理。該聚類包含主要包含小波變換、部分性癲癇、信號處理等關鍵詞。在過去的幾十年里，小波變換被廣泛應用于腦電信號的特征提取，從而實現癲癇發作的自動診斷[23]。
聚類8主要關注云計算應用于癲癇健康有關問題。該聚類包含的關鍵詞有云計算、物聯網、健康。與機器學習技術和云計算服務相結合的物聯網技術已經成為解決醫療健康領域許多問題的強大技術。Singh等[24]介紹了一種自動癲癇發作檢測系統，該系統利用現有通信技術與機器學習和云計算協作，用于癲癇發作的早期遠程檢測。
2 研究的時間演變過程與未來趨勢
2.1 研究的時間演變過程
2.1.1 萌芽階段（1994年—2016年）
以AI為代表的新技術拉開了“第四次工業革命”的序幕。自1956年提出AI的概念以來，人們對AI的理論研究在經歷了二次高潮和低谷時期后，最終于上世紀九十年代初走進現實，應用于實踐[25]。AI應用于癲癇領域最早的研究論文發表于1994年，該研究認為人工神經網絡為自動化、實時檢測癇性放電提供了一種實用的解決方案[26]。此后22年，每年發表的論文數量一直緩慢上升，但是，這期間即使是發文量最多的2014年也僅發表18篇論文，說明在這一時期AI在癲癇領域的應用較其他領域滯后，一直處于起步期，因此本文將1994年—2016年確定為AI應用于癲癇研究的萌芽階段。
2.1.2 發展階段（2017年-2022年）
AI應用于癲癇的研究于2017年出現快速增長。這可能是歸功于2017年前后涌現的神經網絡、語音識別、自動機器人和機器學習等AI技術，這些技術為疾病預測、診斷和管理水平的提升提供了機遇。Acharya等[27]于2018年開發了一種基于深度卷積神經網絡的計算機輔助診斷系統，該系統利用機器學習技術自動區分腦電信號的類別以輔助癲癇診斷，其準確性和特異性均較高。因此，在這個階段，AI的應用大大提高了癲癇診療等服務的質量和效率，幫助醫生更好地診斷和治療癲癇患者。
根據上述發展趨勢，我們預計該領域年發表論文數量將繼續增加或維持在較高的數量，AI將在癲癇領域發揮越來越重要的作用，其應用將會越來越廣泛。
2.2 未來研究趨勢
為了預測AI在癲癇應用的未來研究方向，我們使用文獻計量學分析軟件VOSviewer進行關鍵詞的疊加圖和密度圖分析。分析結果顯示該領域的研究可能會朝向以下三個方向發展。
2.2.1 基于AI的腦電圖特征提取
腦電圖的人工視覺分析需要依賴經過培訓的專業人員完成，不僅耗時耗力，而且容易出錯，隨著AI技術的發展，研究人員不斷開發出更加有效的自動分析方法[28]。腦電圖自動分析的關鍵是對腦電信號時空特征的提取，涉及其單變量/雙變量以及線性/非線性特征。目前，利用短時傅里葉變換和小波變換技術提取腦電圖信號的時域特征然后對腦電信號進行分類的成功率已達到81.96%～98.75%，其成功率和時效性均有待提高。
2.2.2 深度學習在癲癇診療中的應用
深度學習是近十余年來才出現的一個復雜的機器學習算法，其學習方式主要有監督學習、無監督學習和半監督學習。與傳統的機器學習算法不同，它可以自動學習數據中的更加抽象和復雜的特征，可以在圖像識別、語音識別、自然語言處理等方面表現得更加高效。深度學習的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。目前深度學習在癲癇診療中的研究多涉及監督學習[29-30]，預計無監督學習將變得更加重要，需要進一步研究。另外，采用深度學習模型提取癲癇患者的多模態數據（電子病歷、腦電圖、影像數據和基因組數據），從而形成能夠全面代表患者臨床狀態的框架，將有助癲癇患者的精準診療。
2.2.3 物聯網解決癲癇健康有關問題研究
在云計算和機器學習技術的協助下，物聯網為各種醫療問題提供實時解決方案，如通過及時接收到基于云計算的癲癇發作預測系統的預警信息，可使患者免于重大傷害或猝死。另外，物聯網在癲癇的預后、協助癲癇手術以及健身/運動項目選擇等方面也將會受到關注。
3 結語
目前全球在AI 應用于癲癇的研究正處于快速增長階段，近年來，論文數量增長迅速，并有望進一步增加。中美在該領域有較深入的研究及合作，處于相對領先地位。發文量最多的機構為英國的倫敦大學，我國的首都醫科大學發文量列全球前10位。發文量最多的作者為美國的Gregory Worrell，我國發文量最多學者是廈門大學的郭嘉陽。機器學習在癲癇診療中的應用研究是該領域早期的研究熱點，而基于腦電圖特征提取的癲癇發作預警、深度學習尤其是卷積神經網絡在癲癇診斷中的應用、云計算在癲癇健康相關問題中的應用是近期該領域的研究熱點。基于AI的腦電圖特征提取、深度學習在癲癇診療中的應用以及物聯網解決癲癇健康有關問題研究是該領域未來的研究方向。
總之，本文對AI在癲癇中應用的全球研究現狀和未來研究方向進行了全面分析。同時，本文發現了該領域最活躍的研究人員、機構，有助于我們尋找到合適的科研合作者，為開展該領域的國際合作研究奠定基礎。
利益沖突聲明 所有作者無利益沖突。
