《NeuroImage: Clinical》：Between patterns and predictions: Interpretable latent EEG representations for clinical insights
编辑推荐：
脑电图（electroencephalography, EEG）捕获丰富的脑动力学，但在临床实践中，这种复杂性常被简化为简化摘要或分类标签，限制其在决策中的可解释性。研究人员检验了以下假设：预训练潜在嵌入框架——通用脑电图图谱（Universal Map of
脑电图（electroencephalography, EEG）捕获丰富的脑动力学，但在临床实践中，这种复杂性常被简化为简化摘要或分类标签，限制其在决策中的可解释性。研究人员检验了以下假设：预训练潜在嵌入框架——通用脑电图图谱（Universal Map of EEG, UM-EEG）——能否在异质性数据集中保留具有临床意义的结构，并提供脑状态的通用表征。研究人员将UM-EEG未经重新训练应用于三个独立队列，覆盖不同临床场景：心脏骤停（cardiac arrest, CA）患者的长期EEG记录（n = 575）、蛛网膜下腔出血（subarachnoid hemorrhage, SAH；n = 100），以及包含生理和病理模式的常规临床EEG记录（n = 141）。EEG片段被投影到128维空间，该空间以专家推导的参考状态为锚点，包括清醒、睡眠阶段、发作-发作间连续（ictal-interictal continuum, IIC）活动以及爆发抑制（burst suppression, BS）。跨数据集，良好结局或生理记录一致地更靠近健康参考状态，而不良结局和病理记录则向嵌入空间的病理区域偏移。轨迹衍生的几何和时间特征可区分CA结局（受试者工作特征曲线下面积，ROC-AUC 0.83）和SAH结局（ROC-AUC 0.76），并可区分常规EEG中的生理与病理记录（ROC-AUC 0.93）。在常规EEG中，由嵌入轨迹衍生的相似性关系与由结构化临床报告衍生的相似性关系相关，表明该潜在空间再现了临床相关组织。这些发现表明，一个固定的、语义结构化的EEG嵌入可跨病因和记录设置泛化，支持预后分层和情境解释，同时保留脑状态的关系结构。
一、研究背景与问题。神经科临床决策依赖将电生理信号与临床检查及辅助诊断检测整合。然而，EEG等高维信息在实践中常被压缩为简化摘要，仅捕获部分脑动力学。EEG解释耗时、依赖专业经验，且难以系统整合入临床工作流，因此记录中的大量信息未被常规决策充分利用。机器学习方法虽被用于处理这些限制，但多数现有方法将复杂时变信号降为离散分类或标量概率评分，包括手工频谱特征、基于图的脑功能连接测量，以及将EEG片段分类到预定义类别或紧凑任务特异特征空间的监督模型。这些方法通常针对特定队列或分类目标开发，应用于新人群时需要重新训练；其输出虽方便，却丢弃数据中固有结构，对脑状态关系结构提供有限洞察。这与临床推理形成对比：临床医生通过把记录与已知生理和病理状态在更广泛背景下关联来解读EEG，而非仅归入单一类别。研究人员因此提出替代范式：用机器学习表征而非压缩复杂性，将高维记录嵌入连续空间，使距离反映脑状态间有意义的相似性。此前研究人员提出UM-EEG，一种在专家定义参考模式上训练的潜在嵌入空间，覆盖清醒、睡眠阶段、IIC活动和BS；该空间为128维、语义且连续，无类别边界，新记录可投影其中形成轨迹，并与参考模式比较。但该表征能否跨异质性临床场景泛化并捕获临床有用关系仍不清楚。本研究即检验单一预训练嵌入空间能否跨多样场景捕获临床有意义的脑状态结构，并编码与纵向表征和预后相关的信息。
二、研究设计与主要结论及意义。研究人员将UM-EEG应用于两个新独立数据集，并与先前分析的CA队列作参考；新数据集在病因、记录时长和临床背景上不同：SAH患者长期EEG记录，以及常规临床EEG。更广泛地，研究人员评估基于嵌入的表征能否将EEG解释从离散分类转向结构化、关系性理解，以支持临床可解释决策。研究还展示原型交互式可视化工具，供临床医生探索患者轨迹、检查原始EEG片段并检索相似病例。结论是，固定的、语义结构化的EEG嵌入可跨病因和记录设置泛化，支持预后分层和情境解释，同时保留脑状态关系结构。其意义在于为可扩展、可泛化、临床整合的EEG解读提供路径，桥接复杂高维记录与可操作临床洞察。
三、关键技术方法。研究人员采用既往构建的预训练UM-EEG模型，未重新训练。队列包括：CA后意识障碍长期EEG（n = 575，作为参考；数据来自公开来源）、SAH长期EEG（n = 100；公开数据来源）以及Charité – Universit?tsmedizin Berlin内部常规临床EEG（n = 141）。EEG经重采样、滤波并重参考为四个双极通道（F3-C3、C3-O1、F4-C4、C4-O2），切分为连续10-s片段，转换为多锥度频谱图，经冻结模型映射到128维单位超球面。基于参考锚点用线性支持向量机（support vector machine, SVM）分配11个参考状态，提取状态占据、熵、转移概率及几何距离等轨迹特征；用线性判别分析（linear discriminant analysis, LDA）选三特征并计算ROC-AUC，以Mann-Whitney U检验、Mantel检验和Cohen's κ进行统计。另开发交互式图形用户界面（graphical user interface, GUI）。
四、研究结果。3.1 数据集与嵌入至共同参考空间：研究人员将UM-EEG应用于三个临床场景，CA队列（n = 575）为重症监护病房（intensive care unit, ICU）中意识障碍患者长期EEG，SAH队列（n = 100）为相似重症监护场景的长期监测，常规EEG（n = 141）覆盖生理和病理模式。各队列记录时长、连续性和覆盖差异明显；记录被映射到128维嵌入空间并可视化相对于11个UM-EEG参考状态的轨迹。3.2 结局依赖的嵌入状态占据：通过比较结局组在参考状态附近所占时间，研究人员发现良好结局患者显著更多时间处于健康嵌入状态；CA中BS占据在不良结局中最高，良好结局患者更多处于睡眠阶段，尤其REM和N
1；SAH两组多数时间处于病理状态，但良好结局仍更多处于睡眠阶段，健康状态占据近七倍高，病理状态中仅GRDA显著在不良结局更高；常规EEG中生理记录集中于清醒，病理记录LRDA、GRDA和SZ显著增加。3.3 轨迹衍生特征实现结局判别：通过LDA在轨迹特征中选择三特征并用ROC曲线评估，CA中BS占据、到健康质心距离和状态转移熵最具信息量，ROC-AUC为0.83（95% CI：0.74–0.90）；SAH中到REM角度、到健康质心角度和状态转移熵为最优组合，ROC-AUC为0.76（95% CI：0.66–0.82）；常规EEG中到W状态角度、健康状态时间比例和到BS角度最优，ROC-AUC为0.93（95% CI：0.89–0.95），三特征均显著区分生理与病理记录。交叉验证显示性能与报告结果接近。3.4 嵌入几何再现临床报告结构：通过比较EEG轨迹特征相似性与13项结构化报告相似性，研究人员发现报告相似性矩阵层次聚类得到两个主要簇，分别大致对应病理和生理患者组；以相同顺序排列EEG相似性矩阵时同样可恢复这两个簇。患者对水平上，EEG衍生与报告衍生相似性矩阵总体一致（73.4%完全匹配，κ = 0.570），明确标签患者对近乎完美一致（97.2%，κ = 0.936）；整体相似性显著正相关（Spearman ρ = 0.477，Mantel检验p < 0.0001）。3.5 患者轨迹的交互式可视化：研究人员开发交互式GUI，主视图显示参考数据集的二维UMAP投影并叠加患者轨迹，另含报告面板、原始四通道EEG片段查看器以及基于128维空间余弦相似性的相似患者检索面板，用于支持结构化、直观的EEG解释。
五、讨论与结论翻译。讨论部分强调：UM-EEG基于简单理念，即不训练模型预测特定结局，而在专家定义的EEG模式上训练潜在嵌入空间，并作为固定参考图；新记录通过与已知模式比较来解释。结果突出三点：预训练空间跨新数据集和疾病泛化；轨迹特征用于预测二分类结局主要作为验证，主要贡献是提供直观、可解释的随时间EEG摘要；原型GUI展示轨迹如何整合入临床工作流。两个新数据集以互补方式测试泛化性，且CA、SAH和常规EEG均未参与模型训练，UM-EEG未重新训练或调整即应用。轨迹特征在所有队列产生有意义分离，并揭示病理生理可解释模式；但状态分配反映最近已知锚点而非确认占据该状态，应谨慎解释。跨队列一致原则是患者EEG越接近健康参考状态，结局越好。固定UM-EEG表征可未改变地迁移到新队列，区别于需重新训练的队列特异分类器。原型GUI可支持床旁解释，但研究人员强调其为研究原型，临床使用前需前瞻性验证患者相似性，并满足数据保护和医疗器械法规。局限包括轨迹简化为距离会丢弃完整几何信息、当前编码器仅用四通道频谱图、未纳入癫痫样棘波等细粒度事件；未来应扩展参考状态、系统基准比较其他EEG表征方法并进行前瞻性验证。
研究结论翻译：UM-EEG建立在一个简单理念上：研究人员不是训练模型预测特定结局，而是在专家定义的EEG模式（清醒、睡眠阶段、BS和IIC模式）上训练潜在嵌入空间，并将其作为固定参考图。新记录可通过与已知模式比较来解释，类似临床医生将不熟悉记录与既往见过的模式关联。该方法假设脑状态沿低维连续体存在，语义、连续的参考空间将新数据置于已充分表征模式附近。结果突出三个关键方面。第一，预训练空间泛化到新数据集和疾病，包括SAH和常规临床EEG，它们在病因、监测时长和临床场景上不同于原始CA队列。第二，虽然轨迹特征用于预测二分类结局，但该判别主要作为验证方法；结局标签提供跨患者队列共享的真实基准。UM-EEG的主要贡献不是结局预测，而是提供直观、可解释的患者EEG随时间摘要。真实EEG并不总落入预定类别，因此嵌入空间是连续的；将片段折叠到最近参考状态可增加可解释性但损失细微差别。捕捉与参考状态接近度而非硬分配的策略旨在保留更多细微差别。报告相似性分析进一步定量展示超越二分类的贡献。第三，原型GUI说明轨迹如何整合入临床工作流。临床医生可一眼看到长期记录中患者占据哪些脑状态，追踪其随时间演变，并进一步检查病理或感兴趣区域片段，也可检索相似专家标注片段用于比较。两个新数据集以互补方式测试泛化性。SAH患者在ICU连续监测，表现出血性损伤和独特恢复动态；常规EEG代表短时记录，覆盖生理和病理模式。重要的是，CA、SAH和常规EEG数据集均未纳入模型训练，UM-EEG未重新训练或调整即应用。轨迹衍生特征在所有队列产生有意义分离。SAH中结局判别AUC为0.76，常规EEG区分生理与病理AUC为0.93，仅使用三个基于参考锚点接近度的特征。除预测性能外，特征本身揭示病理生理可解释模式。CA中BS占主导，与既有文献一致。SAH中，接近REM和距健康质心距离最具预测性，反映意识障碍中保留睡眠的预后相关性。常规EEG中，接近清醒最具判别性，而距BS距离捕捉从健康簇的位移，而非真正病理占据。这些观察突出几何特征的优点和局限：它们有效捕捉嵌入空间中的相对位置，但状态分配应谨慎解释；分配状态反映最近已知锚点，而非确认占据该状态。尽管如此，跨队列出现一致原则：患者EEG越接近健康参考状态，结局越好。这种泛化性将该方法与队列特异分类器区分开。专门在CA数据训练的模型在该队列达到更高判别（ROC-AUC 0.91），但不能不经重新训练用于其他人群，而固定UM-EEG表征未改变地迁移到两个新队列。原型GUI展示这种嵌入如何支持床旁解释。临床医生可可视化患者相对于参考空间的轨迹，检查任一点原始EEG片段，并检索相似患者轨迹及相应报告直接比较。与现有聚焦癫痫检测、警报或定量趋势的EEG工具不同，UM-EEG提供情境化：总结时间演变，将记录锚定到已建立脑状态，并实现跨患者结构化比较。整合入临床工作流可实时监测偏离健康状态或向病理模式转换，帮助缩小计算模型与床旁决策之间的转化差距。研究人员强调界面是研究原型，预期用途是EEG审阅期间的解释支持，帮助临床医生获得EEG直观概览，并更容易找到值得进一步检查的片段。任何临床使用前需满足两个前提：嵌入衍生患者相似性需前瞻性验证与临床医生判断；此处与结构化报告的一致性只是回顾性第一步。此外，相似病例检索需要去标识化、机构内部病例数据库，并符合适用数据保护和医疗器械法规。若干局限值得讨论。第一，将轨迹简化为到参考状态距离必然丢弃记录完整几何信息；未来工作可利用完整128维坐标同时保持可解释性。第二，当前编码器仅使用四个双极通道和频谱图表示，可能遗漏相关信号特征；基于Transformer处理原始EEG并处理可变通道配置的模型可提高保真度。第三，训练集未包括更细粒度事件如癫痫样棘波，这些模式在嵌入中的位置仍开放。尽管如此，簇内已可见子结构，如BS簇内按抑制比排序，提示潜在空间捕捉的细微差别超过参考标签。未来工作应聚焦三个方向：扩展参考状态以包括癫痫样放电或药物诱导变化；系统基准比较其他EEG表征方法；前瞻性验证轨迹摘要和可视化对临床医生的实际用途。总之，UM-EEG表明语义、连续潜在空间可提供可解释、临床相关的EEG表征。随时间偏离健康脑状态提供简单而强大的摘要，跨多样患者群体和记录场景捕捉预后信息。参考状态作为锚点，保持可解释性而不将记录强行归入僵化类别，呼应临床医生阅读EEG时的情境推理。通过桥接复杂高维记录与可操作临床洞察，基于嵌入的方法为可扩展、可泛化、临床整合的EEG解释提供路径。
