模式与预测之间：用于临床洞察的可解释 EEG 潜在表征

基于摘要分析。该研究关注临床 EEG 被简化为摘要或类别标签后丢失脑状态结构的问题，检验预训练 Universal Map of EEG（UM-EEG）能否在异质临床队列中保留具有临床意义的关系，并支持结局分层与情境化解释。 作者将 UM-EEG 无需重新训练地应用于三个独立队列：心脏骤停患者长期 EEG（n = 575）、蛛网膜下腔出血患者 EEG（n = 100），以及包含生理和病理模式的常规临床 EEG（n = 141）。EEG 片段被投影至 128 维潜在空间，以专家确定的清醒、睡眠阶段、发作期—发作间期连续谱活动及爆发抑制等参考状态为锚点。其核心是固定嵌入空间中的状态位置、相似关系及随时间变化的轨迹，而非针对各队列重新训练表征。 作者报告，在这些队列中，良好结局或生理性记录更接近健康参考状态，不良结局或病理性记录则偏向病理区域。基于轨迹提取的几何与时间特征，对心脏骤停结局的区分达到 ROC-AUC 0.83，对蛛网膜下腔出血结局达到 ROC-AUC 0.76，对常规 EEG 生理与病理记录的区分达到 ROC-AUC 0.93。摘要未交代这些下游评估的训练与测试划分、结局定义或置信区间，不能将三个数值视为同一协议下的直接比较。作者还报告，常规 EEG 的轨迹相似关系与结构化临床报告所导出的相似关系相关，但摘要未提供相关系数。 该工作提供的是固定 EEG 表征跨病因、跨记录场景应用的证据，不等同于已验证的跨被试 BCI 解码能力。预训练数据与评估队列的关系、参考状态构建、信号预处理、下游判别器、对照基线、消融及统计信息尚未验证；“无需重新训练”也不能据此扩展为下游流程完全不使用标签。复现时需从全文核对模型可用性、轨迹特征定义及完整评估协议。