临床 EEG 基础模型基准评估的负对照协议：数据集身份与外部队列压力测试

基于摘要分析。研究关注临床 EEG 基础模型的性能收益是否依赖队列、导联配置或探针设计，通过外部队列测试与表征负对照，提出涵盖导联匹配、患者重叠核查、强化基线和表征控制的报告协议。 作者评估了五个模型，覆盖四个基准数据集及韩国 CAUEEG 的五项任务；存在被试标识时采用被试不重叠验证。CAUEEG 主分析为记录级评估，另提供带无重叠标注的留出子集敏感性分析，不应将其主分析视为已确认的被试独立协议。 在匹配的 CAUEEG 正常／轻度认知障碍／痴呆分类中，共涉及 1,187 条记录。作者报告传统特征的 macro-AUROC 为 0.734，增强版敏感性分析为 0.736；BIOT-bipolar16、CBraMod、REVE 分别为 0.677、0.669、0.568。无重叠标注留出子集中，传统特征与 REVE 分别为 0.717 和 0.565，排序保持一致。匹配的完全随机初始化编码器在另一项描述性比较中高于预训练 REVE（0.667 对 0.570）；正确与打乱源标签的 LoRA 实验在非匹配敏感性分析中数值接近，但这些结果不是标签效应估计或等效性检验。 作者报告，五个编码器在折内 PCA-50 处理前后，数据集身份解码指标均为 1.000；标签置换后降至机会水平，平衡子样本仍为 1.000。这支持表征含有数据集成员信息，但不能据此认定站点、地域或人群差异的因果作用。 在 CHB-MIT 跨被试发作期检测中，作者报告 REVE 的 AUROC 为 0.793，最佳受测增强非线性对照为 0.739，完全随机初始化为 0.691，原始信号随机特征为 0.505。REVE 相对增强对照的配对差为 +5.38 个百分点，95% CI 为 -0.36 至 +11.22，尚不能确认其优越性；保留的归一化输入也无法重建幅度感知对照。全文实验协议、消融及统计细节尚未验证，复现时需重点核对患者重叠、导联匹配、预处理保留信息及对照匹配条件。