用于精神分裂症诊断的人工智能 EEG 生物标志物：采用 PROBAST+AI 评估的系统综述

基于摘要分析。本系统综述研究静息态 EEG 人工智能生物标志物用于精神分裂症诊断的效能及方法学可靠性，核心贡献是结合 PROBAST+AI 评估文献中的偏倚风险、数据划分与验证策略，而非提出新的 EEG 分类算法。 作者依据 PRISMA 指南检索 PubMed、Scopus 和 Web of Science，纳入 43 项原始研究，覆盖 3,420 名精神分裂症或首发精神病患者及 3,164 名健康对照，总计 6,584 人；采用 PROBAST+AI 的 34 个信号问题评估研究质量与验证策略。 作者报告，纳入文献的汇总平均诊断 Accuracy 为 93.38%，其中深度学习研究为 96.83%，经典机器学习研究为 87.68%。这些是跨研究汇总结果，摘要未交代加权方式、任务构成及可比性，不能据此认定深度学习在统一评估条件下更优。作者报告，仅 4.7% 的研究进行了外部验证；按被试划分与按片段划分的验证 Accuracy 分别为 88.22% 和 98.14%。作者将这一差异解释为广泛存在数据泄漏的迹象，但摘要不足以独立核验各研究的划分细节及泄漏判定依据。 作者报告，76.7% 的纳入研究被评为高偏倚风险，主要涉及数据划分不当及独立验证不足，并据此认为现有证据不支持立即将这些 AI-EEG 生物标志物用于精神分裂症临床诊断。作者另提出标准化方法学框架以改进验证策略，但摘要未提供框架细节。 阅读全文时应重点核对被试与片段的分组关系、预处理及模型选择是否限制在训练数据内、外部验证的定义，以及汇总结果的不确定性。具体模型、实验协议、消融及统计信息尚未验证。本研究针对精神疾病辅助诊断，不应将其结果直接视为 BCI 任务性能证据。