一种基于图卷积神经网络（GCNN）的新方法，用于改进使用头皮脑电图（EEG）进行神经系统疾病诊断。尽管脑电图是神经系统疾病诊断中主要使用的检测方法之一，但基于EEG的专家视觉诊断的敏感性仍然只有约50％。这表明有明确的需求引入先进的方法以降低检测异常头皮EEG的假阴性率。在这个背景下，专注于区分最初由专家分类为“正常”的患有神经系统疾病的患者的异常头皮EEG和健康个体的头皮EEG的问题。本文的贡献有三个方面：1）我们提出了EEG-GCNN，一种新颖的用于EEG数据的GCNN模型，可以捕捉头皮电极之间的空间和功能连接；2）利用EEG-GCNN，进行了首次大规模评估上述假设；3）利用两个大型头皮EEG数据库，我们证明EEG-GCNN在AUC为0.90时显著优于人类基线和传统机器学习（ML）基线。