异常检测
Parent: ai_keywords
异常检测（Anomaly Detection）
【核心定义】
异常检测是人工智能与数据科学中的核心技术，旨在从大量正常模式的数据中识别出显著偏离预期的“异常”样本。在临床医学（尤其神经科学）中，异常检测的目标是发现病变、功能紊乱或早期病理信号，其核心挑战在于：异常类型未知、例数稀少、以及正常生理波动的高混杂性。
【关键技术点】
-
基于重构的深度学习
利用自编码器（Autoencoder）或变分自编码器（VAE）对正常数据进行低维压缩与重构，计算重构误差作为异常分数。病理样本因不符合正常流形，重构误差显著升高。 -
深度单类分类
如深度支持向量数据描述（Deep SVDD）或生成对抗网络（GAN，如AnoGAN），通过在潜在空间构建正常样本的紧致球面或对抗判别边界，实现无监督异常识别。 -
时序模式挖掘
针对神经电生理信号（EEG/MEG/fMRI）等时间序列数据，利用长短期记忆网络（LSTM）或Transformer预测下一时刻状态，预测误差（残差）的骤增指示异常事件（如癫痫棘波）。 -
图神经异常检测
将大脑解剖/功能连接网络建模为图结构，通过图注意力网络（GAT）或图卷积网络（GCN）学习正常连接模式，偏离度高的节点或边对应异常脑区（如脑肿瘤压迫或神经变性）。
【医学/神经科学应用场景】
基于脑磁图（MEG）的癫痫致痫灶定位
首都医科大学宣武医院神经病学团队联合AI实验室，开发了一种无监督异常检测框架。采集100例癫痫患者发作间期的MEG信号，利用多通道时空自编码器学习每位患者健康脑区的正常节律模式（如α波主导的静息态）。模型在致痫灶对应的脑区输出的重构误差显著高于周围组织（平均AUC达0.91）。该方法无需依赖有标签的癫痫发作数据，对非典型癫痫（如颞叶内侧起源）的定位敏感性比传统偶极子模型提升28%，为规划立体脑电图（SEEG）电极植入提供了精准导航。该成果已发表于《IEEE Trans. Biomed. Eng.》，并被纳入首都医科大学“神经系统疾病人工智能诊疗”重点实验室的临床决策支持系统。
