OmniBrain：用于证据支撑临床 EEG 诊断的经验驱动智能体

基于摘要分析。本文研究临床 EEG 诊断中如何选择测量、结合临床背景解释模糊发现，并决定后续核查。OmniBrain 是一种经验驱动智能体，通过最终诊断反馈学习可复用的解释与验证指导，无需更新模型权重，以应对病例标签只评价最终诊断、未标注中间分析决策的问题。 核心机制包括 Clinical Evidence Verification Loop（CEVL）和 Diagnostic Inference Graphs（DIGs）。CEVL 在单个病例内组织假设驱动的推理：分析前提出预期、在背景中解释测量结果，并开展后续检查；DIGs 则保存测量背景及证据依赖关系。方法对比同一 EEG 记录上的成功与失败 DIGs，在输入固定的情况下识别解释差异和未对应的后续检查，再由 LLM 将这些差异转化为可供后续病例使用的指导。推理时，智能体先依据已学习经验开展信号分析，再参考基础模型预测形成最终诊断。这里的“学习”体现为经验指导的提炼与复用，而非权重训练。 作者报告，在六项 EEG 任务中，相较五个冻结骨干的基础模型及其多数投票，OmniBrain 在其中五项取得最高的任务级 Balanced Accuracy；在两项接受评估的任务上，基于 DIG 的经验提取优于直接提取；从一个 Parkinson's disease 数据集学习的经验能够迁移至五个留出数据集。摘要未提供具体分数、任务与数据集名称、被试规模，也未说明这些评估对应的被试内、跨被试或跨会话划分，不能据此判断优势幅度或不同任务之间的可比性。 复现需核对诊断反馈来源、经验提取与测试数据的隔离方式、CEVL 可调用的测量及检查工具、DIG 的构建规则、LLM 配置，以及基础模型预测在最终决策中的作用。实验协议、消融及统计信息尚未验证。本文主要对象是临床 EEG 诊断，摘要结果不应直接延伸为 BCI 在线解码或临床部署有效性的证据。