LLM 驱动的跨模态对齐：基于 EEG 的可解释癫痫发作检测

基于摘要分析。本文针对 EEG 癫痫发作检测模型透明度不足、难以解释潜在病因的问题，提出 SzXAI，通过对齐 EEG 表征与临床文本概念，将发作检测与病因解释联系起来。研究主要面向癫痫管理中的可解释 AI，并非直接验证 BCI 控制或交互任务。 机制方面，SzXAI 使用 LLM 从临床记录中获得文本概念嵌入，再通过跨模态相似度层和对比训练机制与 EEG 编码对齐；同时采用注意力加权池化，识别发作及基线状态对应的潜在病因。模型输出进一步用于结构化句子生成，提供人类可读的说明。摘要未说明所用 LLM、EEG 编码器、具体损失形式、病因标签定义或句子生成规则，这些实现条件尚未验证。 评估方面，作者报告在公开的 Temple University Hospital 数据集上进行 10 折交叉验证，并称对齐驱动训练相较直接病因预测显著改善病因预测表现，但摘要未提供具体指标、数值或统计检验。数据集具体版本、被试规模、折间是否按被试隔离，以及临床记录在训练和推理阶段的使用方式尚未验证，因此不能据此判定跨被试泛化能力，也不能将病因预测提升直接等同于发作检测性能提升。 阅读与复现的关键是核对 EEG—临床文本配对方式、病因标注依据及直接预测基线的设置，并确认生成解释是否忠实反映模型所依据的信号证据。可读的句子不等同于正确的病因解释；摘要所述提升临床信任与可用性属于作者对应用价值的判断，尚不能视为已完成临床验证。实验协议、消融及统计信息尚未验证。