技术解读：EpiScreen 把多个开源大语言模型（Qwen-2.5、DeepSeek-R1、Llama-3.3、Med42）微调成"临床笔记阅读器"，在癫痫与心因性非癫痫性发作（PNES）之间做早期分流。本篇从工程实现角度拆它的微调策略与关键结论。
癫痫和心因性非癫痫性发作（PNES）症状几乎一样，却需要完全不同的治疗——前者靠抗癫痫药物，后者主要靠心理干预。美国明尼苏达大学团队用微调后的大语言模型读取临床笔记，做成早期筛查工具 EpiScreen，辅助医生后诊断准确率最高提升 14.3%。
癫痫是全球最常见的神经系统疾病之一，约有 5000 万患者。转诊到三级癫痫中心的"药物难治性癫痫"患者里，约 20%–30% 最终被确诊为 PNES，两类病在"意识丧失""反应迟钝"等描述上几乎无法区分。鉴别诊断的金标准是长时间视频脑电图（vEEG），但单次住院监测费用常超过 1.5 万美元、等待 8–12 周，患者常被误用抗癫痫药或错失心理治疗。
团队在标注笔记上微调了 Qwen-2.5、DeepSeek-R1、Llama-3.3、Med42 等多个开源模型，EpiScreen 在公开 MIMIC-IV 数据集上 AUC 最高 0.875，在明尼苏达大学私有队列达 0.980，明显高于 ClinicalBERT 等基线；微调带来的平均 AUC 提升比直接用现成大模型高约 13 个百分点。
更有意思的是人机协作：研究者从 MIMIC-IV 抽取 300 个病例请 8 名医生判断。独立阅片时三组住院医师准确率约 0.76–0.79、资深医生 0.817；接入 EpiScreen 后分别升到 0.877–0.890 和 0.893。辅助使住院医师漏诊从 36 例降到 14 例，资深医生误诊从 37 例降到 19 例——医生补上临床常识、模型拾起文字线索，双方互补。
但要注意：训练和验证都来自美国同一医疗系统，中文病历环境尚未验证；临床评估是回顾性病例判断，不是前瞻性试验，也未证明能改善患者结局。它定位是 vEEG 前的分流辅助，不替代确诊，目前仍是研究原型。不过对医疗资源匮乏、缺少 vEEG 设备的地区，这类低成本初筛尤其有价值。
本文基于相关论文的独立解读，仅供学术交流，不构成临床建议。
🛠 工程实现要点：
- 方法：在标注临床笔记上微调开源 LLM，输出癫痫/PNES 概率 + 句子级归因
- 数据：公开 MIMIC-IV + 明尼苏达大学私有队列，微调平均 AUC 提升约 13 个百分点
- 性能：MIMIC-IV AUC 最高 0.875、明尼苏达队列 0.980，超 ClinicalBERT 等基线
- 人机协作：300 例、8 名医生，医生+AI 准确率最高提升 14.3%，漏诊 36→14
- 边界：训练测试同源（美国）、回顾性评估，中文病历与前瞻性验证仍缺
论文原文信息链接：EpiScreen：大模型读临床笔记早期筛查癫痫，辅助医生诊断准确率最高提升14.3%
