癫痫是最常见的神经系统疾病，影响全世界近6500万人。众所周知的癫痫发作或“适合”是由于大脑中不寻常的电活动而引起的，并且是癫痫的主要症状。
既不依赖于年龄或性别，癫痫发作的发作是不可预测的，没有固定的发生频率或严重程度，往往对护理人员构成挑战。
虽然癫痫可能与先前的脑损伤或遗传因素有关，但神经科医生也发现健康人群中无意识的复发性癫痫发作。这些癫痫发作的方式和原因仍然是一个谜。然而，研究发现癫痫发作的来源是在大脑内。换句话说，大脑本身就是癫痫的产生者。
如果起源在大脑内，那么，是否有可以检测到的指纹?大脑是否提供可以映射的告示标志来预测癫痫的发展趋势?
神经网络
寻求这些问题的答案，一组跨学科研究人员进行了一项研究，以窥探癫痫大脑内部。结果表明存在独立的神经网络，可以携带关于异常的疾病敏感信息。借助机器学习模型和人工智能，研究人员能够检测并揭示隐藏的模式。
“癫痫不是一种疾病，而是从大脑的电活动中表现出来的东西。有趣的是，我们每个人都有脑内癫痫的神经图。只有当网络被解雇并以外部方式表现出来时，它才会变得紊乱或癫痫，“德里理工学院研究的首席研究员Tapan Kumar Gandhi博士在接受科学电报采访时解释道。
癫痫的常用诊断工具是通过脑电图(脑电图)读取癫痫模式和可见症状，如惊厥，意识丧失或感觉障碍。
现有研究揭示了代表感觉，听觉，认知和其他功能的同步活动的特定模式。这些活动通过流向大脑的血流变化来表示，并被视为BOLD信号或血氧水平依赖性输出的变化。
休息状态功能磁共振成像
磁共振成像或MRI的最新发展有助于描绘大脑中的这些活动并检测癫痫发作的原因，如病变或瘢痕。然而，当癫痫发作时，MRI不是很有用。然而，功能性MRI(另一种扫描方法)可以在执行特定任务时记录大脑中的区域相互作用。
1995年，研究人员发现大脑即使在静止状态下也显示出突出的神经网络连接。被称为静息状态功能性MRI或rsfMRI，来自该扫描的图像表明个体大脑中的神经模式，即使不执行任何动作。
在本研究中，该团队利用rsfMRI技术对颞叶癫痫(TLE)患者进行脑部扫描，这是最常见的癫痫形式。
Gandhi博士说，“我们假设在癫痫易发大脑中可能存在’疾病特异性网络’，可以借助机器学习模型识别出来。”机器学习涉及人工智能来读取实时数据而不是预编程信息。
这种机器的构建块类似于大脑中的神经元细胞。
研究人员使用称为支持向量机(SVM)的工具来处理从扫描中获得的复杂和非线性数据。通过使用另一种称为基于弹性网的排序算法，提取了神经影像数据的相关特征。信号被整合以揭示模式。
该团队对132名受试者进行了一项试验性研究 – 其余42名患有癫痫患者。考虑了年龄，性别，癫痫病史，遗传易感性，受伤事件，药物治疗等参数。癫痫患者接受三次rsfMRI，而健康组的患者接受一次扫描。
总之，从全脑成像数据中获得了88个独立的组件或网络，并作为输入馈送到SVM。根据这些模式，使用另一种称为Pearson’s Correlation的标准方法将前10个强网络与临床特征相关联，以生成rsfMRI癫痫神经网络。
从模式输入，SVM可以识别癫痫个体的准确度为97.5%，并且大脑中的特定肺叶负责该病症。该模型还揭示了相关性，如发病年龄，癫痫发作频率或疾病持续时间。
由此，研究人员得出结论，独立衍生的rsfMRI包含癫痫相关网络。“我们的研究表明，借助机器学习方法，我们可以像我们假设的那样识别这些网络。这些网络的强度增加表明颞叶癫痫发作的可能性，“甘地博士解释说。
