颅内脑电图 (iEEG) 和神经生理学的进步使得人们能够以高保真时间和空间分辨率研究以前无法接近的大脑区域。对 iEEG 的研究揭示了丰富的神经代码，这些代码服务于健康的大脑功能，但在疾病状态下会失效。机器学习 (ML) 是一种人工智能，是一种现代工具，可以更好地解码复杂的神经信号并增强对这些数据的解释。迄今为止，许多出版物已将 ML 应用于 iEEG，但临床医生对这些技术及其与神经外科的相关性的认识有限。本研究回顾了 ML 技术在 iEEG 数据中的现有应用，讨论了各种方法的相对优点和局限性，并研究了神经外科临床转化的潜在途径。从 3 个数据库中确定了 107 篇研究人工智能在 iEEG 中的应用的文章。这些文章中的 ML 临床应用分为 4 个领域：i) 癫痫发作分析、ii) 运动任务、iii) 认知评估和 iv) 睡眠分期。审查显示，监督算法在研究中最常用，并且经常利用公开可用的时间序列数据集。我们最后提出了未来工作和潜在临床应用的建议。