Automated epilepsy and seizure type phenotyping with transformer-based language models
⭐ 9/10npj Digital Medicine. 2026.
Ellie Chang, Kevin Xie, Daniel J. Zhou, et al.
💡 一句话
用微调 BERT 与 DeepSeek-R1 大模型从临床病历文本自动提取癫痫分型，DeepSeek-R1 达到甚至超过癫痫专科医生的专家一致性水平。
📖 背景
电子健康记录（EHR）中纵向癫痫队列数据是宝贵的临床研究资源，但详细的癫痫表型（癫痫类型、发作类型）难以用诊断编码等结构化数据捕捉，而是埋藏在非结构化病程记录中，人工标注成本极高。
🔬 方法
评估两种基于 Transformer 的语言模型——微调 BERT 与 DeepSeek-R1 大语言模型——对临床笔记做癫痫类型与发作类型的自动表型化；由癫痫专科医生标注笔记子集作为金标准，与专家间一致性基准对比；最优模型随后部署到一所大型学术医学中心的全部癫痫病程记录上。
📊 关键结果
· 癫痫类型（局灶/全面/未特指）分类 MCC：DeepSeek-R1 = 0.85 [0.80–0.90]，BERT = 0.73 [0.67–0.80]，人类专家 = 0.77 [0.70–0.83] · 发作类型（惊厥/非惊厥）分类：DeepSeek = 0.74 [0.66–0.81]，BERT = 0.60 [0.49–0.69]，人类 = 0.49 [0.39–0.59] · 更细粒度分类任务上 DeepSeek 保持专家一致，BERT 性能下降 · 部署 DeepSeek-R1 处理 77,049 份病历、覆盖 18,566 名患者，揭示诊断随时间趋于稳定、发作类型常见共现、不同癫痫类型的发作结局差异等系统级规律
🎯 意义与展望
把非结构化 EHR 文本转化为可规模化、专家级的癫痫表型资源，支持纵向、人群层面的癫痫诊疗与转化研究。局限在于依赖英文病历、单中心数据，中文与多中心场景需进一步验证；DeepSeek-R1 的表现对中文环境用户有直接借鉴价值。
🧭 点评
A 类，强烈建议全文精读。作者来自 Brian Litt 团队（宾大癫痫神经工程顶级课题组），并联合 NLP 权威 Dan Roth，方向与「AI×癫痫诊断」主线高度契合；「LLM 表型化 + 专家一致性基准」范式可直接迁移，DeepSeek-R1 用于中文病历尤其值得关注。