预训练于大规模脑电语料的基础模型能检测阿尔茨海默病吗？

小型脑电队列带来的三重瓶颈

多数基于脑电的阿尔茨海默病研究依赖约 20 至 100 名受试者的队列，因为从 AD 患者身上采集脑电成本高、耗时长。论文由此归纳出三个后果：数据太少，学不出稳健的表征；对未见受试者的泛化能力弱；当记录时长、电极布局或采样率在不同数据集间变化时，模型容易失效。第二个问题在临床上最具决定性。当训练和测试共享受试者时，模型可能表现很好，但换到受试者独立评估就会明显下降，因为受试者间的差异和受试者特有的捷径可能被误当成诊断标签。

LEAD 的应对是先建立规模，再做适配。作者整理出一个包含 2,238 名受试者的脑电-AD 语料库，称其为该用途下迄今最大的语料库，并用它预训练一个统一骨干网络，再在五个独立的 AD 数据集上微调和测试。因此其新颖性有两层：这个语料库，以及首个面向端到端受试者级脑电 AD 检测的基础模型。

沿时间与电极两个维度的门控注意力

LEAD 不把所有记录重采样到同一个固定采样率，而是把高于 200 Hz 的信号降采样到 200、100 和 50 Hz，再以 50% 重叠切成固定长度的样本。每个样本都带一个采样率标签，模型在时间位置嵌入和由电极坐标构建的三维通道嵌入之外，再加入采样率嵌入。这样一个模型就能接收长度、通道配置和采样率各不相同的记录，无需针对每个数据集单独预处理。

在门控时空 Transformer 内部，自注意力沿时间维度和通道维度并行运行。随后一个可学习的门控把两条分支融合，使模型能针对每个输入权衡时间上下文与空间上下文，而不是固定采用某一种混合比例。每个通道的最后一个 token 成为传给下游任务的表征。消融实验支持这一空间设计：把三维通道嵌入换成固定嵌入或可学习嵌入后，ADFTD 上的受试者级 F1 从 93.95 分别降到 84.64 和 88.01；不过固定嵌入在其他少数指标上略好，说明这一收益依赖具体数据集。

以受试者而非单个样本为优化目标

以往多数脑电工作分类的是单个样本，但临床决策是按人做出的。因此 LEAD 用多数投票汇总样本级预测，为每名受试者给出一个标签，并在样本级和受试者级同时计算交叉熵损失。两项工程选择让这个受试者级目标可行。多尺度分段成倍增加每名受试者的样本数，既服务训练，也服务后续投票。索引分组打乱在每个 epoch 按受试者重新组织样本索引，使一个 mini-batch 里很可能包含同一个人的多个样本；没有它，受试者级对比学习会退化为样本级学习。

预训练采用医学对比学习，覆盖 13 个数据集：4 个 AD 数据集和 9 个非 AD 神经系统疾病数据集。同一受试者的样本构成正对，不同受试者的样本构成负对，作者认为这比掩码自编码更适合学习受试者级表征。预训练语料有意纳入非 AD 疾病，使编码器不只针对阿尔茨海默病的对比进行调优。

20 项评估中的最佳平均排名

比较覆盖 5 个下游数据集和 16 个基线，在样本级和受试者级分别用 F1 和 AUROC 评分，共 20 项评估。LEAD 的平均排名最佳，作者报告它远超第二名 LaBraM，同时使用的预训练资源明显更少。任务越难，领先幅度越大。在 ADFTD 上，这是一个包含 88 名受试者、167,083 个样本的健康/AD/额颞叶痴呆三分类任务，LEAD 的受试者级 F1 为 93.95、AUROC 为 99.17，而 LaBraM 为 91.81 和 99.44，BIOT 为 88.10 和 97.10。在 ADSZ 上，受试者级 F1 为 100.00，CBraMod 为 82.21。

有几个数据集在受试者级已接近饱和：ADFSU、ADSZ 和 APAVA 上 LEAD 的 F1 都达到 100.00，许多基线在 ADFSU 上也达到 100.00。作者自己提醒，这些接近满分的数字反映的是受控的实验室条件：记录由专家挑选，严重伪迹被人工剔除，每名受试者的样本数也相对均衡，从而稳定了多数投票。常规临床记录中这些条件更难满足，因此这些饱和的数值不应被读作普遍临床准确率的证据。

微调效果最好，预训练在小队列上最关键

对比从零训练、冻结编码器的线性探测和完整微调，可以分离出预训练的贡献。多数情况下微调最好。更有信息量的模式是线性探测在何处胜过全监督训练：在只有 23 名受试者的 APAVA 上，线性探测的受试者级 F1 为 73.33、AUROC 为 95.00，而从零训练为 36.67 和 75.00。在规模更大的 ADFTD 和 CNBPM 上，线性探测并未稳定胜过全监督，有时还更差。实际含义是，当下游 AD 数据有限时，预训练编码器最有价值，作者指出这正是该领域的常见情况。

静息态与闪光刺激记录互为补充

ADFTD 的受试者在两种范式下接受记录：闭眼静息态和睁眼闪光刺激，两者记录时长不同。单独评估时，两种范式都无法支撑稳健的三分类：静息态在 19.40 小时内样本级 F1 为 47.54，闪光刺激在 7.25 小时内为 55.60。合并 26.64 小时后，样本级 F1 升至 81.01，AUROC 升至 94.03，受试者级 F1 为 93.95。这一提升远大于单纯增加记录时长所能解释的幅度，因此选择哪种范式、以及能否同时获得两种范式，是决定该模型表现的一阶因素，而非次要的采集细节。

MCI 仍是未解决的边界

最明显的局限是疾病分期分类。在 CNBPM 上区分健康对照、MCI 和 AD 时，LEAD 的受试者级 F1 为 65.67、AUROC 为 80.37，混淆矩阵显示 MCI 是弱项：MCI 的受试者级召回率为 54.29，其中 40.00% 的 MCI 受试者被判为 AD，5.71% 被判为健康。作者把这一点解释为标签本身的模糊性，而不只是模型能力不足。部分 MCI 患者已带有 AD 相关特征，但没有纵向随访就看不出来；另一些则保持稳定甚至恢复正常，使他们难以靠近 AD 或健康对照任何一端。作者提出的未来工作重点是采集纵向脑电以追踪病程进展。

第二个适用范围条件写在问题设定里：每名受试者被假定只有一个标签，采集期间不发生诊断转变，也不存在共病，例如 AD 合并血管性痴呆。真实患者可能同时违反这两条假设，而论文是把它们简化掉，并未加以检验。

先匹配任务与数据，再谈模型

论文自身的结果按情景而非单一准确率数字来划分其价值。LEAD 最强的地方是：问题为 AD 对健康对照或 AD 对额颞叶痴呆，采用受试者独立评估，且同时具备静息态和闪光刺激记录；两种范式合并后样本级 F1 从约 47.54 升到 81.01，最清楚地说明采集设计可能比架构选择更重要。它最弱的地方是：问题要求把 MCI 与 AD、健康对照区分开，受试者级 F1 约 66%；以及下游队列小到连在预训练特征上做线性探测都胜过从零训练。因此最具决策意义的比较不是 LEAD 与下一个基线在饱和数据集上的对比，而是小 AD 队列上预训练与从零训练的对比，以及同一批受试者上双范式与单范式记录的对比。

本文引用的文献