综述：脑电图AI（人工智能）不能只看分类准确率，临床落地需过证据关
《Brain Research Bulletin》发表的一篇综述指出，脑电图（EEG）AI（人工智能）已扩展到癫痫、睡眠、精神疾病等场景，但研究数据集上的高分类准确率不等于临床可用。
作者主张以证据强度、外部验证和临床可理解性衡量转化成熟度，而非只看技术指标。
分析推断原始来源可核对
事实与证据边界
该综述由温州医科大学附属诸暨医院临床神经生理科的三位作者撰写，发表于《Brain Research Bulletin》，本次仅依据PubMed摘要核验，未阅读全文。 摘要指出：EEG（脑电图）具有毫秒级时间分辨率，可床旁使用并支持长时间监测；
AI（人工智能）已用于癫痫、睡眠医学、认知障碍、精神疾病、重症监护、意识障碍和麻醉监测中的自动模式识别、表征学习、大规模筛查与决策支持。 作者强调EEG信号受生理状态、伪迹、采集系统、预处理选择和临床情境影响； 标签可能来自专家标注、诊断分类、行为量表、治疗反应或长期结局，这些来源并不总指向同一生物学目标。
文章讨论目标效度、数据泄漏、混杂、外部验证和临床对齐指标等证据缺口，主张以生物学合理性、外部可推广性、临床医生可理解性和真实世界安全性评估未来系统。 摘要未报告具体研究数据或系统性能结果。
分析判断
这篇综述把EEG-AI的讨论从模型性能转向证据质量：精神与神经领域的AI（人工智能）工具若以诊断或筛查为卖点，需要交代标签定义、外部验证和临床工作流整合，而这些是当前多数研究报告的薄弱环节。 作者提出以“临床可理解性”而非仅“模型可解释性”为要求、以人机协作工作流而非孤立分类器为方向，对产品设计与监管沟通有参考意义。
上述判断为基于摘要的分析推断，不代表综述已给出验证结论。
后续观察信号
- 追踪该综述全文中的具体证据缺口清单
- 关注EEG-AI在精神科筛查中的临床对齐指标研究