超越准确率：医学时间序列分类的共形风险控制

基于摘要分析。本文研究医学时间序列分类中预测准确率无法提供的有限样本部署风险控制，针对患者—窗口层级结构提出面向分类任务、直接以患者为校准单位的 conformal risk control（CRC，共形风险控制）框架，并扩展至患者级 conditional value-at-risk（CVaR，条件风险价值），以控制患者间的尾部风险。 核心问题是同一患者贡献的多个窗口存在相关性。作者指出，将窗口视为可交换的校准单位会形成“名义样本量错觉”，且可能控制的是窗口加权风险，而非新抽样患者的风险。患者级校准能够修正这一目标错配，但有效校准样本量随之下降，使事后 CRC 进入可能较保守的小样本情形。论文分别研究二分类假阴性率控制与多分类覆盖率，并强调端到端共形风险训练必须采用能够维持目标风险约束的模型选择标准。 作者报告，在三项 EEG/ECG 数据集、12 种架构的实验中，方法呈现有效性、效率与稳定性之间的权衡：事后 CRC 在可交换性条件下提供有限样本期望风险控制；端到端训练可改善二分类任务的效率，但在多分类 ADFTD 任务中，当模型选择正确执行覆盖率约束后，其效率低于闭式微调。摘要未提供具体分数、效率指标定义、其他数据集名称、患者数量或被试内、跨被试等划分协议，因此不能据此量化收益或比较不同协议下的表现。 对 EEG 研究的直接阅读价值在于校准单位与部署目标的匹配：若目标是新被试风险，同一被试的多个窗口不应仅凭数量被视为同等数量的独立校准证据。不过，摘要中的风险保证不能自动扩展至跨被试分布变化、任意临床风险或 BCI 在线部署。复现时需核对患者级风险的聚合定义、可交换性适用范围、CVaR 的估计与保证、校准集和模型选择集的划分，以及覆盖率约束的执行方式；实验协议、消融及统计信息尚未验证。