用于基于 EEG 的卒中评估的联邦 GNN

基于摘要分析。该研究针对多机构患者 EEG 无法直接集中共享的场景，将联邦学习（FL）与图神经网络（GNN）结合，用于回归预测卒中严重程度指标 National Institutes of Health Stroke Scale（NIHSS）。主要贡献是让多家医院利用本地 EEG 协同训练共享模型，并提供卒中后神经状态的事后解释；研究对象是临床卒中评估，而非 BCI 控制任务。 机制方面，模型利用 masked self-attention 捕捉显著的脑连接模式，并采用 EdgeSHAP 提供事后解释。这里的 masked self-attention 不应直接等同于自监督掩码建模。摘要未说明 EEG 的图构建方式、节点与边的定义、连接估计方法、回归损失、联邦聚合策略或机构间数据异质性的处理方式，这些细节尚未验证。连接重要性解释也不等同于卒中病理机制的因果证据。 作者报告，在来自四家机构的 EEG 记录上，NIHSS 预测的平均绝对误差（MAE）为 3.23，并将其与人类专家平均误差约 3.0 作比较。摘要未提供被试数量、NIHSS 分布、训练与测试划分，也未明确这是被试内、跨被试还是跨机构外部验证；专家误差的来源及是否采用相同评估条件尚未验证，因此不能据此认定模型达到专家等效水平。 联邦训练避免直接交换原始患者信息，但这一机制本身并不充分证明隐私安全。复现与证据核对需要进一步确认预处理流程、各机构样本分布、通信与聚合设置、集中式及本地训练对照、解释稳定性，以及隐私威胁模型和保护措施。实验协议、消融及统计信息尚未验证，代码与数据可用性也尚未确认。现有摘要支持其作为 EEG 临床评估方法的研究价值，但不足以确立临床可用性。