相似的预测拟合但不同的潜在动态：表征大脑疾病个性化模型中习得的动态结构

随着人工智能模型走向临床决策和个性化治疗，了解模型学习的内容比单纯的预测准确性更重要。我们研究即使预测拟合相似，个性化潜在动态是否也能揭示临床相关差异。在天普大学脑电图语料库 (TUEG) 上预训练的轻量级 CNN-Transformer 脑电图基础模型可提取分段级表示。使用天普大学癫痫语料库 (TUEP)，将表示映射到共享的潜在状态空间，并将稀疏多项式逻辑转移分布 (mLTD) 独立地拟合到每个受试者，以获得个性化的转移依赖性图 $W_n$。分析包括 $n{=}198$ 名受试者（99 名癫痫患者/99 名非癫痫患者）。在 $k{=}4$ 时，癫痫受试者表现出更加密集的习得依赖结构 ($p{=}1.1\times10^{-7}$)，在 $k{=}6$ 时具有相同的模式（19.90 与 13.46；$p{=}5.2\times10^{-5}$）。图派生特征在 5 倍主题交叉验证下提供了适度的群体歧视（AUROC 0.68 $k{=}4$; 0.65，$k{=}6$)。相比之下，$k{=}4$ 组之间的保留对数似然几乎相同（$-0.992$ 与 $-0.991$；$p{=}0.95$），具有类似匹配的下一状态预测（AUROC 0.855 与 0.861；$p{=}0.54$）。因此，相似的预测拟合并不意味着相似的学习动态：群体可以具有相对可预测性，但通过个性化模型学习的内部动态结构却存在很大差异。这种区别促使评估学习结构以及个性化临床模型中的预测性能。