EpiVLM：用于视频癫痫发作检测与分类的视觉-语言模型，从医院到家庭（He 2026，npj Digital Medicine）
来自四川大学华西医院与中国科学院深圳先进技术研究院的Mengqiao He、Leihao Sha、Pengfei Wei、Lei Chen等于2026年5月26日在npj Digital Medicine发表EpiVLM——一种视觉-语言模型（VLM，即一种同时理解图像与文本的系统），可直接在临床与家庭视频上识别五种癫痫发作症状学，其驱动方式是像临床报告一样撰写的提示词。在来自两家中国三级医院、不受控的家庭录制以及一个独立公开数据集的232段视频、127名患者共11666个专家标注片段上进行评估，EpiVLM的准确率为0.795-0.947，灵敏度为0.842-0.957，视频级假阳性率为0.47%-2.45%，从发作开始到检测的平均延迟低于6秒，全部基于事先固定的提示词与决策阈值，无需站点特定的重校准。但需结合四项保留意见来阅读：所有三级医院均位于中国，家庭视频队列在摘要中描述有限，未报告与人类标注者的正面比较，且一位共同作者隶属于私营公司Brain Everest LLC却未声明利益冲突。
背景
癫痫在全球影响约五千万人。诊断与随访在很大程度上依赖症状学——即一次发作的可观察临床表现序列（动作、自动症、姿势、意识）。在医院的癫痫监测单元（EMU）中，这一症状学通过与EEG耦合的视频（视频-EEG）连续采集，由专业神经科医生进行解读，仍是确定发作类型与指导术前评估的金标准。问题在于：长时程视频-EEG需要高度专业的人员，资源稀缺且昂贵，仅限于三级医疗中心。在医院之外，几乎总是家属用智能手机拍下一次发作给医生看，中间没有任何自动化分析工具。
视频上的自动癫痫检测并非新鲜事：自2018年以来，3D卷积网络以及更近的视频transformer（TimeSformer、VideoMAE）已被训练用于在受控医院条件下（固定摄像头、稳定光照、单一卧床患者）识别抽搐动作或自动症。但每当更换中心、相机型号或场景配置时，性能通常下降——这就是ML中众所周知的shortcut learning（捷径学习）失败模式，即模型学到的是队列线索而非症状学本身。He 2026这篇论文属于医疗领域vision-language models新浪潮的一部分：与其孤立地学习像素分类，不如向模型注入要寻找内容的结构化文本描述，并要求其以临床推理的形式输出。这种方法承诺更好的泛化能力，因为发作的"语法"（失接触、强直运动、阵挛、自动症）很大程度上与环境无关。
方法
研究由Lei Chen（四川大学华西医院神经科，成都）与Pengfei Wei（南京东南大学与中国科学院深圳先进技术研究院）共同领衔。共同作者共有九处机构隶属，包括数字医学国家重点实验室、南方科技大学、中国电信四川分公司、深港脑科学创新研究院与Brain Everest LLC（一家深圳的私营公司）。论文于2026年5月26日发表于npj Digital Medicine，DOI：10.1038/s41746-026-02810-3，采用CC BY 4.0许可。中国公共资金支持（脑科学与类脑智能技术国家STI重大专项2021ZD0204300、四川省STI计划2025NSFTD0027、华西医院1.3.5项目ZYYC23011、深圳STI委员会JCYJ20220818100213029）。作者声明无利益冲突，尽管其中一位隶属于一家LLC——下文将就此点回头讨论。手稿以"未编辑"版本（Article in Press）发布，因此可能修订。
系统命名为EpiVLM，由两个模块组成。第一个模块是vision-language model，通过视觉编码器（典型属于CLIP / SigLIP / VideoCLIP系列）对视频进行编码，并与投射到同一表示空间的文本进行比较。第二个模块是临床结构化提示词：作者不是问模型"这是发作吗？"，而是给它提供一份格式化的症状学描述（例如ILAE 2017操作分类中的要素——失接触、头眼侧偏、口部自动症、强直姿势、阵挛），模型将其与视频中所见进行对照。输出是对发作的五种主要症状学之一的分类，这些类别被选为覆盖EMU（癫痫监测单元）中最常见的临床相关类别。决策阈值与提示词在开发队列上事先固定，原样应用于所有测试队列而不进行重校准——这是本研究方法论的核心亮点。
总数据集汇集了127名患者的232段视频，即11666个专家标注片段。三种采集条件得以呈现：两家三级医院（提供EMU数据主体，采用固定摄像头与医院照明）、不受控的家庭录制（家具多样、家用照明、智能手机与监控摄像头、画面中有时多人）以及一个独立公开数据集用于严格外部验证。比较基线为该领域标准的视频深度学习架构——通常为I3D或SlowFast等3D CNN以及TimeSformer或VideoMAE等视频transformer——在相同数据上训练但不使用临床结构化提示词。
结果
在评估的五种症状学上，EpiVLM取得了0.795-0.947的准确率与0.842-0.957的灵敏度，具体数值依症状学与测试集而异。摘要特别强调了跨队列的稳定性：在提示词与阈值冻结的情况下，性能"在多样化的真实采集条件下保持一致，无需站点特定的重校准"。在外部验证集上，视频级假阳性率保持在0.47%至2.45%之间。从发作开始到检测的平均延迟低于6秒，这一阈值对于家庭警报应用具有重要意义，因为速度决定了任何干预的质量。与在同一数据上训练的标准视频深度学习基线相比，作者表示EpiVLM在整体性能上占优；摘要未提取按症状学的精确差距大小。
临床翻译。为了在数字上具象化：对1000段视频片段，在以2%视频级假阳性率校准的家庭系统上进行分析，平均每1000段序列保留5至25次假警报，而典型的0.90灵敏度意味着约90%实际存在的发作会以低于6秒的延迟被检测到。对于一个有耐药性癫痫儿童且每周有数次夜间发作的家庭，这在最佳情况下意味着大部分时间的可靠警报，代价是每月几次可容忍的误报。对于在癫痫科医生阅读前需预筛选数小时EMU视频的神经科服务，益处衡量方式不同：审阅时间大致减半，前提是灵敏度足以不漏掉一次罕见发作。
做得好的地方
方法学方法正面攻击该领域最典型的失败模式。视频癫痫检测领域十年来一直被shortcut learning所困：模型学到医院病床、固定的天花板摄像头与白色床单"看起来像"发作视频，一旦评估转移到客厅沙发就会崩溃。通过将任务重新表述为文本症状学描述与视频内容之间的对齐，EpiVLM迫使模型推理所描述的运动（失张力、阵挛性运动、偏移）而非场景——而在EMU、家庭与独立公开数据集之间观察到的稳定性与该假设一致。
评估纪律严肃。提示词与决策阈值事先冻结、在独立公开数据集上的外部验证、按视频报告假阳性率（而非按窗口报告，否则会人为美化数字）、计时的onset-to-detection延迟——这些是思考真实部署的正确指标。测试集的三重分层（两家EMU + 不受控家庭 + 公开基准）恰恰是之前文献所回避的，这也是使"跨环境泛化"主张可信的原因。代码与数据未在摘要中显式链接，但CC BY 4.0许可以及npj Digital Medicine的标准使得至少部分发布是合理的。
低于6秒的检测延迟是临床有用的数字。强直-阵挛性发作中的即时安全依赖于简单动作——保护头部、置于复原侧卧位、计时持续时间以决定是否超过5分钟时呼叫急救。在6秒以内到达的可靠警报为隔壁房间的家属或连接到自动呼叫的家居自动化系统开启了现实的干预窗口。在此之前，很少有视频检测工作对自己施加这种时间纪律；大多数满足于回溯窗口的准确率。
做得不够好的地方
外部验证不如表面上那么"外部"。两家三级医院均位于中国，核心团队设在成都与深圳，独立公开数据集在摘要中未被命名——也可能是亚洲数据集。人口、照明标准、家居家具习惯、年龄与共病分布可能与其他地区（欧洲、北美、撒哈拉以南非洲）显著不同。这正是人群偏差失败模式，并叠加了家庭采集条件上的文化偏差。在亚洲以外开展前瞻性验证之前，"跨环境"承诺仍有待部分证明。此外，症状学本身在各大洲之间变化很小——这是任务选择的优势——但采集条件变化巨大。
摘要中缺失人类比较。所比较的基线是视频深度学习模型。真正的临床问题是：EpiVLM是否达到了一位训练有素的家属在手机上识别发作的水平？一名EMU护士的水平？一位经验丰富的癫痫科医生的水平？没有这个人类参考，所呈现的数字是相对于其他模型的，而非相对于当前的护理标准。这是因省略而产生的有偏比较失败模式的典型案例——最简单的基线（一个合理专注的人类）是看不见的。摘要在分类性能上也保持沉默：「准确率0.795-0.947」意味着至少有一种症状学落在0.8以下，识别是哪一种会改变对该工具的临床解读（很可能是更微妙的非运动性症状学，如失神或口部自动症）。
"无利益冲突"声明值得审视。作者声明无利益冲突，但其中一位共同作者（Shixian Wen）隶属于深圳的私营公司Brain Everest LLC，另一位（Wentao Wang）隶属于中国国有电信运营商中国电信股份有限公司——这两家都是癫痫警报系统商业化的天然产业伙伴。国际规则（ICMJE）要求披露与任何可能从结果中获得经济利益的实体的关联，无论是否已申请专利。这一遗漏并不否定研究结果，但会使对同一团队未来出版物的独立解读复杂化。同时需要注意的是，摘要未提及关于EpiVLM的任何专利申请；这一信息需要在完整手稿中查找。
这意味着什么
对AI-健康研究界而言，EpiVLM巩固了一种始于2024年末的趋势：临床模型向融合视觉理解与结构化文本推理的视觉-语言架构迁移。这里观察到的泛化益处——提示词与阈值事先固定、跨三种采集条件性能稳定——将为支持VLM而非纯视频CNN与transformer在临床影像中的论点添加燃料。从事跌倒检测、新生儿监测或其他运动障碍症状学（帕金森、肌张力障碍）研究的团队将在此找到一个可复现的跨环境评估模式。剩下要看的是亚洲以外独立团队的复现，以及癫痫症状学官方公开基准的出现——这是合乎逻辑的下一步。
对癫痫科医生与EMU团队而言，最可信的近期用途不是自主警报，而是预分诊：EpiVLM可以通过过滤平静段并按可能症状学排序可疑段，减少专家需要手动审阅的视频量。然而，0.90灵敏度的临床翻译意味着十次发作中有一次会被过滤器漏掉——这禁止将该工具用作人类审阅的替代品，但允许在控制下作为辅助使用。家庭承诺（家属警报、自动发作日记）更遥远：它假定硬件集成（摄像头、本地或私有云计算）、作为Software as a Medical Device的监管认证，以及对真实家庭进行的具有生活质量影响测量的前瞻性验证。这些里程碑在本文中均未达到。
对患者及其家属而言，有用的启示是：家庭监测工具的承诺在技术上变得可信——但远非可用产品。目前没有任何系统在法国HAS或美国FDA获批用于家庭视频癫痫检测。如果家庭拍下一次发作给神经科医生看，这一做法仍然存在、仍然有用，而且没有任何当前系统消除了对合格人类意见的需求。同时正确的反应：保持书面或音频形式的发作日记、有可能时进行录像、并与医护团队讨论可能的动态视频-EEG记录。
延伸阅读
完整论文可在npj Digital Medicine网站以开放获取方式查阅：nature.com/articles/s41746-026-02810-3。作为症状学参考的发作类型操作分类是ILAE 2017分类。关于VLM之前视频癫痫检测的状况：Pérez-García等，Scientific Reports 2022。关于我们对视觉-语言模型其他临床应用的报道，参见我们对Restrepo 2026研究的解读，该研究表明文本上下文在临床VLM中支配图像，以及我们对PromptRad关于放射学中prompt-tuning的解读。