BayesENDS：用于阿尔茨海默病诊断的贝叶斯电生理神经动力系统

基于摘要分析。该研究针对阿尔茨海默病（AD）EEG 中振荡减慢、神经驱动减弱，以及常见黑箱分类流程难以统一描述神经活动及其交互随时间演化的问题，提出 BayesENDS，将神经元放电机制引入贝叶斯神经动力系统。其主要研究对象是基于 EEG 的 AD 诊断与潜在动力学解释，而非 BCI 控制任务。 核心机制是引入可微分漏积分发放（dLIF）先验，在不提供放电或交互标注的条件下，直接从 EEG 推断群体事件及交互动力学。该先验编码膜动力学、发放率与不应期约束，以及生理上合理的频率范围。作者报告，这些约束能够改善可辨识性，并在输出 AD 预测的同时生成具有生物学合理性的被试级生物标志物。摘要未说明这些标志物的具体定义、独立生理验证方式，也未给出潜变量结构、损失形式或训练与推理细节，相关信息尚未验证。由 EEG 推断的群体事件不应直接等同于经实测验证的神经元放电。 作者报告，在合成事件序列基准和真实 AD EEG 数据集上，BayesENDS 的表现优于所比较的先进基线方法。但摘要未提供数据集名称、被试数量、指标、数值、基线清单或被试内／跨被试划分，因而目前无法判断优势幅度及泛化范围。实验协议、消融及统计信息尚未验证。 复现时应重点核对 dLIF 先验的参数设定与约束实现、EEG 观测与潜在动力学之间的映射、数据划分，以及诊断性能和生物标志物解释性的评估是否分别获得支持。尤其需要区分生理先验带来的合理性约束与真实生理机制已被验证这两种不同证据层级；摘要中的性能结论本身不足以证明其临床诊断有效性。