ERIA：用于临床 EEG 报告生成的指令优化智能体

基于摘要分析。研究针对整段临床 EEG 解读与报告生成，而非仅对短信号片段分类，提出可本地部署的 ERIA（EEG Reporting and Instruction-Optimized Agent）。其核心贡献是由单个 27B 语言模型控制器编排专用检测与信号处理工具，并通过优化自然语言分析策略提升报告质量，而不进行 EEG 专用控制器微调。 临床 EEG 报告需要综合技术质量、背景活动、睡眠–觉醒与行为状态、发作间期及发作期异常，并处理不确定证据。ERIA 配置了背景异常、睡眠–觉醒状态、类癫痫发作活动及发作间期癫痫样放电检测工具，同时结合确定性的频谱、幅度、对称性、导联配置及信号质量分析。语言模型承担工具编排与结果综合，而非被描述为直接完成全部信号识别。 优化阶段固定控制器权重、专用工具及安全约束，仅使用反思式提示优化器 GEPA（Genetic-Pareto）优化自然语言分析策略，反馈来自专家撰写的 EEG 报告。作者报告，相较未经优化的原始策略，GEPA 显著改善了与医师判断一致的整段记录报告质量；摘要未提供评价量表、提升数值或统计检验，因此其改善幅度尚未验证。 外部评估涉及 CerebraGloss-Bench 的短片段临床解读任务及 BrainBench Foundational Analysis。作者报告，优化后的策略可迁移至这些基准，并与原基准评估的模型具有竞争力。该表述不能等同于已证实的临床可用性，也不能将短片段基准成绩直接解释为整段记录报告能力。 复现时需核对控制器及专用工具的具体版本与可用性、专家报告反馈的构造、GEPA 优化流程、整段记录与外部基准的数据划分，以及报告质量评价和安全约束的实现。实验协议、消融及统计信息尚未验证；摘要亦不足以确认代码、模型权重或优化后策略是否公开。该研究直接面向临床 EEG 解读，不应据此推断其已改善 BCI 解码性能。