EEG-RAGNet：用于临床癫痫发作诊断的检索增强图结构细化

基于摘要分析。该研究针对 EEG 癫痫发作诊断中通道间建模产生的伪连接，以及纯数据驱动图结构临床合理性与可解释性有限的问题，提出 EEG-RAGNet：利用外部医学知识检索来校准空间-时间图神经网络（STGNN）生成的 EEG 图。 核心机制是先从临床指南构建领域知识库，再借助大语言模型（LLMs）抽取生物医学实体与关系，形成文本知识图谱（KG）。框架将 STGNN 生成的 EEG 节点嵌入投影到 KG 的语义空间，构造对齐感知查询，并通过基于 FAISS 的相似度搜索检索知识三元组中的关系证据。随后，依据检索相似度、关系类型和来源可靠性，为每条预测边赋予置信度，剪除被判断为医学上不合理的连接。其方法特点是将检索证据用于图结构细化，而不仅是生成诊断文字解释。 作者报告，在 TUSZ benchmark 上开展的实验提高了癫痫发作检测准确性，并通过关联临床知识增强了预测的可解释性。摘要未提供具体分数、指标定义、数据划分、对照基线或统计结果，因此无法判断增益大小，也不能比较被试内、跨被试或其他评估协议。作者声称这是首个紧密耦合脑动态与外部医学专业知识的统一检索增强框架，该优先性主张尚未独立验证。 复现时需核对临床指南的覆盖范围与知识抽取质量、EEG 节点到医学语义空间的对齐训练方式、边置信度与剪枝规则，以及检索证据如何关联最终预测。检索到医学关系并不自动证明对应 EEG 通道连接具有临床合理性，这一对应关系的验证方式尤其值得关注。摘要提供了代码地址，但代码内容与可运行性尚未验证；实验协议、消融及统计信息尚未验证。该材料研究的是 EEG 癫痫发作诊断，不能据此推断其对 BCI 解码任务有效，也不足以形成临床应用建议。