WYKORZYSTANIE SZTUCZNEJ INTELIGENCJI W DIAGNOSTYCE PADACZEK –
PRZEGLĄD WSPÓŁCZESNYCH NARZĘDZI
1
Student Scientific Association of Neurology, Wroclaw Medical University, Wroclaw, Poland
2
Department of Neurology, University Center of Neurology and Neurosurgery,
Wroclaw Medical University, Wroclaw, Poland
Data nadesłania: 30-11-2025
Data ostatniej rewizji: 27-12-2025
Data akceptacji: 02-01-2026
Data publikacji: 16-01-2026
Autor do korespondencji
Julia Naskrent
Student Scientific Association of Neurology, Wroclaw Medical University, Ludwik Pasteur Embankment No 1, 50-367, Wroclaw, Poland
Student Scientific Association of Neurology, Wroclaw Medical University, Ludwik Pasteur Embankment No 1, 50-367, Wroclaw, Poland
Issue Rehabil. Orthop. Neurophysiol. Sport Promot. 2025;52(3):11-20
SŁOWA KLUCZOWE
DZIEDZINY
STRESZCZENIE
Wstęp:
Padaczka to częste schorzenie neurologiczne, w którym dokładność diagnostyczna jest często ograniczona przez subtelne lub niewidoczne w badaniu rezonansu magnetycznego (magnetic resonance imaging – MRI) nieprawidłowości, a także niespecyficzne wyniki elektroencefalografii (EEG). Konwencjonalna interpretacja wyników obrazowania i EEG jest czasochłonna i zależy od doświadczenia. Najnowsze postępy w dziedzinie sztucznej inteligencji (artificial intelligence – AI) oferują nowe możliwości automatyzacji i usprawnienia wykrywania, klasyfikacji i przewidywania aktywności padaczkowej. Celem niniejszego przeglądu jest podsumowanie najnowszych dowodów dotyczących zastosowań diagnostycznych opartych na AI w padaczce.
Materiał i metody:
Wyszukiwanie w bazie PubMed (2015–2025) zidentyfikowało niemal 50 badań spełniających wcześniej określone kryteria jakości i trafności. Uwzględnione prace analizowały modele AI stosowane do oceny MRI/funkcjonalnego MRI, analizy EEG, detekcji i predykcji napadów padaczkowych oraz systemów diagnostycznych opartych na danych multimodalnych.
Wyniki:
AI znacząco poprawia wykrywanie subtelnych nieprawidłowości w badaniach MRI, w tym stwardnienia hipokampa oraz ogniskowej dysplazji korowej, osiągając wyniki często przewyższające skuteczność doświadczonych radiologów. Podejścia multimodalne łączące EEG z MRI/resting state MRI charakteryzują się wysoką dokładnością w lokalizacji strefy początku napadu. Systemy oparte na uczeniu głębokim, w tym splotowe sieci neuronowe, długa pamięć krótkotrwała, modele łączone oraz architektury wzbogacone o transformatory, uzyskują czułość i swoistość powyżej 90% w detekcji napadów i krótkoterminowej predykcji, przy czym modele z wykorzystaniem konwolucyjnych sieci neuronowych opartych na ciągłej transformacji falkowej osiągają dokładność przekraczającą 95%.
Wnioski:
AI zwiększa precyzję diagnostyczną, skraca czas analiz oraz wspomaga klasyfikację i lokalizację napadów padaczkowych. Postęp w tym zakresie wskazuje, że AI odegra wkrótce istotną rolę w rutynowej diagnostyce padaczki oraz systemach wspierania decyzji klinicznych.
Padaczka to częste schorzenie neurologiczne, w którym dokładność diagnostyczna jest często ograniczona przez subtelne lub niewidoczne w badaniu rezonansu magnetycznego (magnetic resonance imaging – MRI) nieprawidłowości, a także niespecyficzne wyniki elektroencefalografii (EEG). Konwencjonalna interpretacja wyników obrazowania i EEG jest czasochłonna i zależy od doświadczenia. Najnowsze postępy w dziedzinie sztucznej inteligencji (artificial intelligence – AI) oferują nowe możliwości automatyzacji i usprawnienia wykrywania, klasyfikacji i przewidywania aktywności padaczkowej. Celem niniejszego przeglądu jest podsumowanie najnowszych dowodów dotyczących zastosowań diagnostycznych opartych na AI w padaczce.
Materiał i metody:
Wyszukiwanie w bazie PubMed (2015–2025) zidentyfikowało niemal 50 badań spełniających wcześniej określone kryteria jakości i trafności. Uwzględnione prace analizowały modele AI stosowane do oceny MRI/funkcjonalnego MRI, analizy EEG, detekcji i predykcji napadów padaczkowych oraz systemów diagnostycznych opartych na danych multimodalnych.
Wyniki:
AI znacząco poprawia wykrywanie subtelnych nieprawidłowości w badaniach MRI, w tym stwardnienia hipokampa oraz ogniskowej dysplazji korowej, osiągając wyniki często przewyższające skuteczność doświadczonych radiologów. Podejścia multimodalne łączące EEG z MRI/resting state MRI charakteryzują się wysoką dokładnością w lokalizacji strefy początku napadu. Systemy oparte na uczeniu głębokim, w tym splotowe sieci neuronowe, długa pamięć krótkotrwała, modele łączone oraz architektury wzbogacone o transformatory, uzyskują czułość i swoistość powyżej 90% w detekcji napadów i krótkoterminowej predykcji, przy czym modele z wykorzystaniem konwolucyjnych sieci neuronowych opartych na ciągłej transformacji falkowej osiągają dokładność przekraczającą 95%.
Wnioski:
AI zwiększa precyzję diagnostyczną, skraca czas analiz oraz wspomaga klasyfikację i lokalizację napadów padaczkowych. Postęp w tym zakresie wskazuje, że AI odegra wkrótce istotną rolę w rutynowej diagnostyce padaczki oraz systemach wspierania decyzji klinicznych.
REFERENCJE (49)
1.
Muhlhofer W, Tan YL, Mueller SG, Knowlton R. MRI-negative temporal lobe epilepsy – what do we know? Epilepsia 2017; 58: 727–742.
2.
Ito Y, Fukuda M, Matsuzawa H, et al. Deep learning-based diagnosis of temporal lobe epi¬lepsy associated with hippocampal sclerosis: an MRI study. Epilepsy Res 2021; 178: 106815. DOI: 10.1016/j.eplepsyres.2021.106815.
3.
Kim D, Lee J, Moon J, Moon T. Interpretable deep learning-based hippocampal sclerosis classification. Epilepsia Open 2022; 7: 747–757.
4.
Sone D. Neurobiological mechanisms of psy¬chosis in epilepsy: findings from neuroimaging studies. Front Psychiatry 2022; 13: 1079295. DOI: 10.3389/fpsyt.2022.1079295.
5.
Jiang Y, Li W, Li J, et al. Identification of four biotypes in temporal lobe epilepsy via machine learning on brain images. Nat Commun 2024; 15: 2221. DOI: 10.1038/s41467-024-46629-6.
6.
Middlebrooks EH, Gupta V, Agarwal AK, et al. Radiologic classification of hippocampal sclero¬sis in epilepsy. AJNR Am J Neuroradiol 2024; 45: 1185–1193.
7.
Belke M, Zahnert F, Steinbrenner M, et al. Au¬tomatic detection of hippocampal sclerosis in patients with epilepsy. Epilepsia 2025; 66: 3852– 3864.
8.
Ripart M, DeKraker J, Eriksson MH, et al. Auto¬mated and interpretable detection of hippocam¬pal sclerosis in temporal lobe epilepsy: AID-HS. Ann Neurol 2024; 97: 62–75.
9.
Lucas A, Revell A, Davis KA. Artificial intelli¬gence in epilepsy – applications and pathways to the clinic. Nat Rev Neurol 2024; 20: 319–336.
10.
Osipowicz K, Sperling MR, Sharan AD, Tracy JI. Functional MRI, resting state fMRI, and DTI for predicting verbal fluency outcome following resective surgery for temporal lobe epilepsy. J Neurosurg 2016; 124: 929–937.
11.
Baumgartner C, Koren JP, Rothmayer M. Auto¬matic computer-based detection of epileptic sei¬zures. Front Neurol 2018; 9: 639. DOI: 10.3389/ fneur.2018.00639.
12.
Hosseini MP, Tran TX, Pompili D, Elisevich K, Soltanian-Zadeh H. Multimodal data analysis of epileptic EEG and rs-fMRI via deep learning and edge computing. Artif Intell Med 2020; 104: 101813. DOI: 10.016/j.artmed.2020.101813.
13.
Jehi L. Machine learning for precision epilepsy surgery. Epilepsy Curr 2023; 23: 78–83.
14.
Mridha MF, Das SC, Kabir MM, Lima AA, Islam MR, Watanobe Y. Brain–computer interface: advancement and challenges. Sensors (Basel) 2021; 21: 5746. DOI: 10.3390/s21175746.
15.
Kuswanto H, Salamah M, Fachruddin MI. Random forest classification and support vec¬tor machine for detecting epilepsy using electroencephalograph records. Am J Appl Sci 2017; 14: 533–539.
16.
Mallick S, Baths V. Novel deep learning frame¬work for detection of epileptic seizures using EEG signals. Front Comput Neurosci 2024; 18: 1340251. DOI: 10.3389/fncom.2024. 1340251.
17.
Al-Marzouki S. Advancing epileptic seizure recognition through bidirectional LSTM net¬works. Front Comput Neurosci 2025; 19: 1668358. DOI:10.3389/fncom.2025.1668358.
18.
Torkey H, Hashish S, Souissi S, Hemdan EE, Sayed A. Seizure detection in medical IoT: hybrid CNN-LSTM-GRU model with data balancing and XAI integration. Algorithms 2025; 18: 77. DOI: 10.3390/a18020077.
19.
Hassan F, Hussain SF, Qaisar SM. Epileptic seizure detection using a hybrid 1D CNN-machine learning approach from EEG data. J Healthc Eng 2022; 2022: 9579422. DOI: 10.1155/2022/9579422.
20.
Zhao W, Wang WF, Patnaik LM, et al. Residual and bidirectional LSTM for epileptic seizure detection. Front Comput Neurosci 2024; 18: 1415967. DOI: 10.3389/fncom.2024.1415967.
21.
Alarfaj M, Zeb MA, Al-Adhaileh MH, Alha- madi AA, Ebrahim N. Deep learning approaches for diagnosing seizure based on EEG signal analysis. Front Hum Neurosci 2025; 19: 1669919. DOI: 10.3389/fnhum.2025.1669919.
22.
Duma GM, Cuozzo S, Danieli A, et al. Dynamic excitation/inhibition balance preceding seizure onset and its link to functional and structural brain architecture. BMC Med 2025; 23: 604. DOI: 10.1186/s12916-025-04447-7.
23.
Abbasi B, Goldenholz DM. Machine learning applications in epilepsy. Epilepsia 2019; 60: 2037–2047.
24.
Sone D, Beheshti I. Clinical application of ma¬chine learning models for brain imaging in epilepsy: a review. Front Neurosci 2021; 15. DOI: 10.3389/fnins.2021.684825.
25.
Hossain MS, Amin SU, Alsulaiman M, Muham¬mad G. Applying deep learning for epilepsy sei¬zure detection and brain mapping visualization. ACM Trans Multimedia Comput Commun Appl 2019; 15: 1–17.
26.
Shoeibi A, Khodatars M, Ghassemi N, et al. Epileptic seizures detection using deep learn¬ing techniques: a review. Int J Environ Res Public Health 2021; 18: 5780. DOI: 10.3390/ ijerph18115780.
27.
Grossmann A, Kronland-Martinet R, Morlet J. Reading and understanding continuous wave¬let transforms. In: Combes JM, Grossmann A, Tchamitchian P, eds. Wavelets: Inverse Problems and Theoretical Imaging. Berlin, Heidelberg: Springer; 1990.
28.
Dişli F, Gedikpınar M, Fırat H, Şengür A, Güldemir H, Koundal D. Epilepsy diagnosis from EEG signals using continuous wavelet transform-based depthwise convolutional neu¬ral network model. Diagnostics (Basel) 2025; 15: 84. DOI: 10.3390/diagnostics15010084.
29.
Kuang Z, Guo L, Wang J, Zhao J, Wang L, Geng K. Seizure onset zone detection based on convolutional neural networks and EEG signals. Brain Sci 2024; 14: 1090. DOI: 10.3390/brainsci14111090.
30.
Liu S, Wang J, Li S, Cai L. Multi-dimensional hybrid bilinear CNN-LSTM models for epi¬leptic seizure detection and prediction using EEG signals. J Neural Eng 2024; 21: 066045. DOI:10.1088/1741-2552/ada0e5.
31.
Cao X, Zhang J, Chen W, Du G. A hybrid CNN-Bi-LSTM model with feature fusion for accurate epilepsy seizure detection. BMC Med Inform Decis Mak 2025; 25: 6. DOI:10.1186/s12911-024-02845-0.
32.
Li C, Li H, Dong X, et al. CNN-Informer: a hy¬brid deep learning model for seizure de¬tection on long-term EEG. Neural Netw 2025; 181: 106855. DOI: 10.1016/j.neunet.2024.106855.
33.
Lemoine É, Toffa D, Xu AQ, et al. Improving di¬agnostic accuracy of routine EEG for epilepsy using deep learning. Brain Commun 2025; 7: fcaf319. DOI: 10.1093/braincomms/fcaf319.
34.
Yang H, Piao Y, Wang G, Zhao H, Shen X. LFSP-DSM: a lightweight framework for seizure prediction based on deep statistical model. Ann N Y Acad Sci 2025; 1552: 428–442. DOI: 10.1111/ nyas.70050.
35.
Zhang T, Chen J, Polat K. Enhanced epileptic seizure detection using CNNs with convolutional block attention and short-term memory net¬works. Behav Brain Res 2026; 496: 115831. DOI: 10.1016/j.bbr.2025.115831.
36.
Alkhrijah Y, Khalid S, Usman SM, et al. Feature fusion ensemble classification ap¬proach for epileptic seizure prediction using electroencephalographic bio-signals. Front Med 2025; 12. DOI: 10.3389/fmed.2025.1566870.
37.
Tara K, Wang R, Matsuda Y, Goto S, Mitsudo T, Yamasaki T, Sugi T. EEG-based cerebral pattern analysis for neurological disorder detection via hybrid machine and deep learning approaches. J Neurosci Methods 2025; 423: 110551. DOI: 10.1016/j.jneumeth.2025.110551.
38.
Afzal MF, Desai SA, Barry W, et al. AI-driven electrographic seizure classification and sei¬zure onset detection using image- and time-series-based approaches. IEEE Trans Biomed Eng 2025; PP. Online ahead of print. DOI: 10.1109/TBME.2025.3594592.
39.
Zhang F, Zhang X. Prediction of epilepsy seizure based on cepstrum analysis and deep learning. Interdiscip Sci 2025; 17: 906–916.
40.
Kaur T, Diwakar A, Kirandeep M, et al. Artificial intelligence in epilepsy. Neurol India 2021; 69: 560–566.
41.
Kashefi Amiri H, Zarei M, Daliri MR. Epileptic seizure detection from electroencephalogram sig¬nals based on 1D CNN-LSTM deep learning model using discrete wavelet transform. Sci Rep 2025; 15: 32820. DOI: 10.1038/s41598-025-18479-9.
42.
Konomatsu K, Kashiwada Y, Kubota T, et al. Dif¬ferentiation between epileptic and functional/ dissociative seizures using density spectral array of ictal single-channel EEG with deep learning. Epilepsy Behav 2025; 172: 110713. DOI: 10.1016/ j.yebeh.2025.110713.
43.
Zhang S, Zhuang Y, Luo Y, Zhu F, Zhao W, Zeng H. Deep learning-based automated lesion segmen¬tation on pediatric focal cortical dysplasia II preoperative MRI: a reliable approach. Insights Imaging 2024; 15: 71. DOI: 10.1186/s13244-024- 01635-6.
44.
Gill RS, Lee HM, Caldairou B, et al. Multi¬center validation of a deep learning detection algorithm for focal cortical dysplasia. Neu¬rology 2021; 97: e1571–e1582. DOI: 10.1212/ WNL.0000000000012698.
45.
Arnold TC, Muthukrishnan R, Pattnaik AR, et al. Deep learning-based automated segmenta¬tion of resection cavities on postsurgical epilepsy MRI. Neuroimage Clin 2022; 36: 103154. DOI: 10.1016/j.nicl.2022.103154.
46.
Spitzer H, Ripart M, Whitaker K, et al. Interpret¬able surface-based detection of focal cortical dysplasias: a multi-centre epilepsy lesion detec¬tion study. Brain 2022; 145: 3859–3871.
47.
Zhang Q, Liao Y, Wang X, et al. A deep learning framework for 18F-FDG PET imaging diag¬nosis in pediatric patients with temporal lobe epilepsy. Eur J Nucl Med Mol Imaging 2021; 48: 2476–2485.
48.
Shih YC, Lee TH, Yu HY, Chou CC, Lee CC, Lin PT, Peng SJ. Machine learning quantitative analysis of FDG PET images of medial temporal lobe epi¬lepsy patients. Clin Nucl Med 2022; 47: 287–293.
49.
Park S, Clark JS, Viana PF, et al. Seizure detection using ultra-long-term subcutane¬ous electroencephalography: a deep learning CNN-BiLSTM approach. Epilepsia 2025. Online ahead of print. DOI: 10.1111/epi.18652.
Udostępnij
| ISSN: | 2300-0767 |
Przetwarzamy dane osobowe zbierane podczas odwiedzania serwisu. Realizacja funkcji pozyskiwania informacji o użytkownikach i ich zachowaniu odbywa się poprzez dobrowolnie wprowadzone w formularzach informacje oraz zapisywanie w urządzeniach końcowych plików cookies (tzw. ciasteczka). Dane, w tym pliki cookies, wykorzystywane są w celu realizacji usług, zapewnienia wygodnego korzystania ze strony oraz w celu monitorowania ruchu zgodnie z Polityką prywatności. Dane są także zbierane i przetwarzane przez narzędzie Google Analytics (więcej).
Możesz zmienić ustawienia cookies w swojej przeglądarce. Ograniczenie stosowania plików cookies w konfiguracji przeglądarki może wpłynąć na niektóre funkcjonalności dostępne na stronie.
Możesz zmienić ustawienia cookies w swojej przeglądarce. Ograniczenie stosowania plików cookies w konfiguracji przeglądarki może wpłynąć na niektóre funkcjonalności dostępne na stronie.
