面向患者独立 EEG 癫痫发作预测的深度学习分类器校准

基于摘要分析。该研究针对 EEG 癫痫发作预测中随机交叉验证难以充分反映新患者应用表现的问题，提出简单的校准流程：先在训练阶段未见的患者上开展预测，再利用新患者记录的至少一次癫痫发作事件微调模型，以改善患者独立测试中的预测表现。 核心贡献是将患者独立验证与患者特定校准结合，而非宣称模型可以完全无需新患者数据直接部署。摘要指出，单次发作事件即可用于校准深度学习模型，但未说明校准数据的时间窗口、标签构成、微调参数范围及优化方式。需要特别区分“患者未参与初始训练”与“预测前使用了该患者的校准数据”，不能将校准后的结果解释为零校准的跨患者泛化能力。 作者报告，在两个包含较大癫痫患者群体 EEG 记录的数据集上，校准后深度学习方法的预测准确率平均提升超过 20%，且所有独立测试患者的表现均有改善。摘要未明确该提升是相对百分比还是绝对百分点，也未提供校准前后准确率、数据集名称、患者人数或具体测试划分，因此不能进一步换算或与其他协议的结果直接比较。作者还报告，该流程对深度学习模型效果最佳，也可用于基于人工设计信号特征的机器学习算法。 应用限制是每名新患者仍需至少一次癫痫发作事件用于校准。全文需核对校准与测试数据的时间关系、预测时距、发作事件划分、对照模型，以及误报、漏报等临床相关指标；这些事项尚未验证，不能据摘要断言存在协议问题。实验协议、消融及统计信息尚未验证。作者将更现实的验证方式视为支持可靠方法比较和临床系统开发的基础，但摘要所述离线预测结果本身不等同于已完成临床部署验证。