神经信号在野外生成临床报告
机器学习
2026-05-15 v3 人工智能
信号处理
摘要
从长期脑电记录中生成总结异常模式、诊断发现和临床解释的临床报告，仍然是一项耗时的工作。我们提出 CELM（Clinical EEG-to-Language foundation model），首个能够对长时长、可变长度脑电记录进行总结并在多个尺度上实现端到端临床报告生成的临床 EEG-to-Language 基础模型。CELM 将预训练的脑电基础模型与语言模型集成，实现可扩展的多模态学习。我们构建了一个大型临床脑电数据集，包含 9,922 份报告，约对应 9,048 名患者的 11,000 小时的脑电记录，用于训练 CELM，并发布了包含自动报告结构化管道的基准数据集，以便未来研究。实验结果表明，CELM 在所有评估设置下均优于现有方法。重要的是，我们进一步进行了临床专家的人类评估，表明 CELM 生成的报告在临床连贯性、诊断可靠性和与专家解释的匹配度方面均优于现有方法。我们将模型和基准构建管道发布于 https://github.com/Jathurshan0330/CELM。
引用
@article{arxiv.2601.22197,
title = {Neural Signals Generate Clinical Notes in the Wild},
author = {Jathurshan Pradeepkumar and Zheng Chen and Jimeng Sun},
journal= {arXiv preprint arXiv:2601.22197},
year = {2026}
}