Anatomical Sciences Journal

en هوش مصنوعی در EEG بالینی پوست سر: نقشه نظام‌مند شواهد مطالعات نمایه‌شده در PubMed، ۲۰۱۹–۲۰۲۶ Artificial Intelligence in Clinical Scalp EEG: A Systematic Evidence Map of PubMed-Indexed Studies, 2019–2026 Neuroanatomy Neuroanatomy Review Review هوش مصنوعی به‌طور فزاینده‌ای برای تحلیل داده‌های الکتروانسفالوگرافی بالینی پوست سر مورد استفاده قرار می‌گیرد. بااین‌حال مطالعات موجود از نظر نوع اختلالات مورد بررسی، نحوه بازنمایی داده‌ها، معماری مدل‌ها، روش‌های اعتبارسنجی و شیوه گزارش‌دهی، تفاوت‌های قابل‌توجهی با یکدیگر داشته اند. در این مطالعه، به نقشه‌ برداری از شواهد موجود در ادبیات علمی پرداخته ایم و روند گذار از یادگیری عمیق و وابسته به حوزه خاص به سمت بازنمایی‌های قابل تعمیم و سامانه‌های قابل استفاده و انتقال به محیط‌ های بالینی مختلف را بررسی کرده ایم. یک نقشه نظام‌مند شواهد بر اساس مقالات اصیل انگلیسی‌ زبان نمایه‌ شده در PubMed که از ۱ ژانویه ۲۰۱۹ تا ۲۹ اوت ۲۰۲۶ منتشر شده بودند، انجام شده است. تمامی مقالات واجد شرایط از روش‌های نوین هوش مصنوعی برای تحلیل الکتروانسفالوگرافی پوست سر در انسان و با کاربرد بالینی مرتبط استفاده کرده بودند. غربالگری مقالات با روش غربالگری تسریع‌ شده توسط یک ارزیاب و همچنین بررسی و تأیید شناسه‌های مقالات انجام گرفت. متن کامل مقالات زمانی مورد بررسی قرار گرفت که از طریق PubMed Central یا دسترسی آزاد به فایل‌های PDF به‌صورت عمومی قابل دسترس بودند. در مجموع، ۳۵۲۷ رکورد بازیابی شد که پس از حذف موارد تکراری، ۳۵۰۶ رکورد منحصر به‌ فرد غربالگری شدند. از این تعداد، ۱۴۴۷ مورد حذف و متن کامل ۲۰۵۹ گزارش به دست آمده است. از میان این گزارش‌ها، ۹۹۶ مورد به‌صورت عمومی قابل بازیابی نبودند، بنابراین ۱۰۶۳ گزارش مورد ارزیابی قرار گرفتند. در نهایت، ۶۶ مورد حذف و ۹۹۷ مطالعه وارد بررسی نهایی شدند. در میان موضوعات مورد مطالعه، صرع یا تشنج با ۳۹۰ مطالعه (۳۹٫۱٪) و خواب با ۱۸۵ مطالعه (۱۸٫۶٪) شایع‌ترین موضوعات بودند. شبکه‌های کانولوشنی (CNN) در ۴۸۶ مطالعه (۴۸٫۷٪)، مدل‌های بازگشتی (RNN) در ۲۳۵ مطالعه (۲۳٫۶٪) و مدل‌های Transformer یا مبتنی بر Attention در ۱۷۶ مطالعه (۱۷٫۷٪) مورد استفاده قرار گرفتند. اعتبارسنجی مستقل از آزمودنی، خارجی یا بین‌ مجموعه‌ داده‌ای در ۲۷۴ مطالعه (۲۷٫۵٪) انجام شده بود. همچنین، دسترسی به کد منبع تنها در ۱۳۵ مطالعه (۱۳٫۵٪) فراهم شده بود و قابلیت توضیح‌ پذیری مدل‌ها در ۴۳۶ مطالعه (۴۳٫۷٪) مورد توجه قرار گرفته بود. در ادبیات علمی مربوط به الکتروانسفالوگرافی بالینی پوست سر که به‌ صورت عمومی از طریق PubMed قابل بازیابی است، پژوهش‌های بالینی EEG در مقایسه با توسعه شواهد قابل انتقال و تعمیم، با سرعت کمتری به سمت استفاده از معماری‌های پیشرفته حرکت کرده‌اند. این نقشه شواهد، برآوردی از شواهد موجود در ۹۹۶ گزارشی که امکان بازیابی عمومی آن‌ها وجود نداشت ارائه نمی‌کند و همچنین هدف آن پوشش دادن تمام پژوهش‌های بالینی مرتبط با الکتروانسفالوگرافی نیست. <div style="text-align: justify;">Artificial intelligence is being increasingly used for the analysis of clinical scalp electroencephalography data. However, current studies differ widely concerning disorders, data representations, architecture of models, validation, and reporting. In our work, we performed an evidence mapping of the available literature on the shift from domain-specific deep learning to generalizable representations and clinically portable systems. An evidence map was carried out on English-language papers that were indexed in PubMed. The evidence map covered studies published between 1 January 2019 and 29 August 2026. Only papers that could be freely accessed either, through PubMed Central or other open-access PDF sources were considered. Every chosen paper had to use artificial intelligence or representation learning techniques applied to clinically relevant human scalp electroencephalography. The records were checked quickly by one reviewer. Each identifier was verified. We first found 3,527 records in PubMed. Of those we screened 3,506 records. After looking at titles and abstracts we sought 2,059 reports for retrieval. Out of them 996 could not be found publicly 1,063 were checked for eligibility. 66 Were excluded. Finally we included 997 studies that we could get publicly. The topics common were epilepsy or seizure, with 390 studies (39.1%) and sleep, with 185 studies (18.6%). Convolutional networks appeared in 486 studies (48.7%). Recurrent models were in 235 studies (23.6%). Transformer or attention models were in 176 studies (17.7%). We used subject‑independent or external or cross‑dataset validation in 274 studies (27.5%). Code availability was present in 135 studies (13.5%). Explainability was present, in 436 studies (43.7%). In the publicly retrievable PubMed literature, clinical scalp electroencephalography research has been slower to adopt expressive architectures than to produce transferable evidence. Independent validation, leakage-free evaluation, clear reporting, resource sharing, and clinically interpretable spatiotemporal representation continue to be important. This evidence map does not provide an estimate of evidence from the 996 reports that could not be publicly retrieved, and it is not meant to cover all clinical.  </div> الکتروانسفالوگرافی؛ هوش مصنوعی؛ یادگیری عمیق؛ یادگیری ماشین؛ بیماری‌های عصبی Electroencephalography, Artificial Intelligence, Deep Learning, Machine Learning, Neurologic Diseases 0 0 http://anatomyjournal.ir/browse.php?a_code=A-10-492-1&slc_lang=en&sid=1 Mahdi Saadati 10031947532846007903 10031947532846007903 No Department of Health Information Technology, School of Allied Medical Sciences, Mazandaran University of Medical Sciences, Sari, Mazandaran, Iran. Mahdi Saadati M.Saadati@mazums.ac.ir 10031947532846007904 10031947532846007904 Yes Department of English Language and Literature, Faculty of Humanities and Social Sciences, Golestan University, Gorgan, Iran.