摘要背景 精神分裂症临床分型较多,异质性较大.以深度学习技术为代表的计算机技术为基于脑电图(EEG)的精神分裂症诊治和机制研究提供了巨大帮助,但基于我国人群的精神分裂症的相关研究仍相对缺乏.目的 探索基于脑电参数的深度学习模型在首发精神分裂症患者诊断及EEG异常分级中的应用,为提升精神分裂症的临床诊治能力提供参考.方法 选择2020年1月—2023年1月在阜阳市第三人民医院就诊的、符合《国际疾病分类(第10版)》(ICD-10)诊断标准的130例首发精神分裂症患者以及在本院进行体检的150名健康志愿者为研究对象.研究对象均接受EEG检查.基于EEG检查结果,建立长短期记忆(LSTM)深度学习网络模型,以十折交叉验证法进行机器学习研究,使用数据集中的90%作为建模组,10%作为验证组.以准确度、召回率、精确度和F1值、疾病诊断和EEG异常程度评估用时作为评价指标,并将深度学习模型表现与高年资医师评估结果进行比较.结果 LSTM诊断模型在建模组的精确度为(94.40±3.03)%,召回率为(94.30±3.23)%,准确度为(94.60±2.22)%,F1值为(94.20±2.20)%;在验证组中,精确度为(90.90±2.85)%,召回率为(92.20±1.14)%,准确度为(92.20±1.69)%,F1值为(91.50±1.78)%.LSTM诊断模型与高年资医师诊断精神分裂症的精确度、召回率、准确度以及F1值比较,差异均无统计学意义(χ2=1.500、0.750、2.722、1.056,P均>0.05).LSTM模型评估EEG异常程度,在建模组中EEG异常程度评估准确度为(91.71±1.73)%,级别一精确度为(96.40±2.39)%,召回率为(94.77±1.40)%,F1值为(95.55±1.14)%,级别二精确度为(85.89±2.04)%,召回率为(88.10±6.18)%,F1值为(87.06±3.12)%,级别三精确度为(79.61±7.33)%,召回率为(81.79±9.87)%,F1值为(80.41±6.79)%.验证组EEG异常程度评估准确度为(85.61±6.16)%,级别一精确度为(91.43±6.25)%,召回率为(92.64±9.65)%,F1 值为(91.56±4.83)%,级别二精确度为(71.17±19.02)%,召回率为(77.64±17.24)%,F1 值为(71.88±11.33)%,级别三精确度为(90.00±21.08)%,召回率为(80.00±25.82)%,F1值为(81.67±19.95)%,LSTM模型与高年资医师评估精神分裂症EEG异常程度的精确度、召回率、准确度以及F1值比较,差异无统计学意义(χ2=0.098、0.036、0.020、0.336,P均>0.05).LSTM模型诊断精神分裂症和EEG异常程度用时均少于高年资医师,差异均有统计学意义(t=57.147、43.104,P均<0.01).结论 基于EEG的LSTM深度学习模型用于首发精神分裂症诊断和EEG异常程度分级的表现可能与高年资医师相当,且耗时较短.