EVA-Net：基于单类EEG队列学习连续老化原型的可解释脑健康异常检测
机器学习
2025-11-25 v2
摘要
脑年龄是脑健康的关键指标。虽然脑电图（EEG）是这一任务的实用工具，但现有模型在处理常见医疗数据挑战方面存在困难，例如从弱监督的健康-only队列中学习“正常”基线。这是一个关键的异常检测任务，用于识别疾病，但标准模型往往是黑箱，缺乏可解释的结构。我们提出EVA-Net，一种新颖的框架，将脑年龄重新诠释为可解释的异常检测问题。EVA-Net使用高效稀疏注意力Transformer来建模长期EEG序列。为处理不完美数据中的噪声和变异性，它采用变分信息瓶颈来学习健壮、压缩的表示。对于可解释性，该表示与连续原型网络对齐，显式学习规范健康老化流形。该模型在1297名健康受试者身上进行了训练，实现了最先进的准确率。我们在未见的27名轻症认知衰退（MCI）和AD患者队列上验证了其异常检测能力。该病理组显示出显著更高的脑年龄差距和一种新的原型对齐误差，确认其偏离健康流形。EVA-Net为使用不完美医疗数据的医疗智能提供了一个可解释框架。
引用
@article{arxiv.2511.15393,
title = {EVA-Net: Interpretable Anomaly Detection for Brain Health via Learning Continuous Aging Prototypes from One-Class EEG Cohorts},
author = {Kunyu Zhang and Mingxuan Wang and Xiangjie Shi and Haoxing Xu and Chao Zhang},
journal= {arXiv preprint arXiv:2511.15393},
year = {2025}
}