通用视觉语言模型直接读脑电图：不预训练EEG，Qwen3-VL在4秒放电检测上平衡准确率0.835
核心概要
临床脑电图判读长期依赖专家逐页查看，近年出现的EEG基础模型则要先在大规模无标注脑电上预训练。研究把脑电片段画成临床医生熟悉的双极导联波形图或频谱图，连同固定文本提示一起交给通用视觉语言模型Qwen3-VL，不做任何EEG预训练。在4秒发作间期癫痫样放电检测的vEpiSet上，Qwen3-VL-4B经LoRA适配取得0.835平衡准确率，高于全量微调的BIOT的0.763；在TUEV的EEG-Bench划分上，Qwen3-VL-8B以0.750略高于0.739的次优单任务模型。
深度剖析
通用视觉语言模型可以不经脑电预训练，直接承担临床神经诊断中的脑电判读任务，并在部分任务上超过专门用脑电预训练的基础模型。 此前的自动化路线要么为每个任务单独训练监督模型，要么先在大规模无标注脑电上做自监督预训练再微调；已有脑电基础模型只在数据充足的微调场景占优，在冻结骨干的线性探测中表现不佳，也没有表现出随规模提升的性能增长。 在4秒发作间期癫痫样放电检测数据集vEpiSet上，Qwen3-VL-4B经LoRA适配的平衡准确率为0.835，全量微调的BIOT为0.763；在TUEV的EEG-Bench划分上，Qwen3-VL-8B为0.750，高于0.739的次优单任务模型，而在TUEV规范划分上Qwen3-VL-4B为0.601，低于CS-Brain的0.690。
做法是把一段脑电按任务对应的时间尺度渲染成图像，让模型像临床医生一样看图作答。 模型输入不是原始多通道信号，而是按临床习惯纵向排列的双极导联波形图，或由同一组导联算出的频谱图、尺度图，也可以把波形图与其中一种时频图拼在一起。 在vEpiSet上，双极波形图输入的AUPRC为0.849、AUROC为0.891，高于连续小波变换的0.811和0.861，也高于短时傅里叶变换的0.702和0.809；在SpikeNet2上，默认600×896分辨率下Qwen-4B的平衡准确率为0.545±0.025，接近随机，改用1800×256的信号渲染后为0.626±0.024，接近LaBraM的0.641±0.028和CBraMod的0.654±0.016。
冻结骨干、只训练分类头时，通用视觉语言模型在少样本条件下比脑电基础模型适应更快。 冻结骨干只训练浅层分类头，考察的是预训练表示本身的质量，而不是靠大量标注数据把弱表示覆盖掉。 在TUEV上每类64个样本时，Qwen3-VL-4B的平衡准确率为0.464±0.043，最强对比模型为0.331±0.076；先在TUAB上做LoRA适配的Qwen3-VL-4B在每类10±1个样本时达到0.406±0.043，对比模型接近随机水平，384个样本时达到0.521±0.023，与在全量TUEV语料上训练的BIOT的0.528相当。
启示与展望
实验集中在训练有素的专家能凭肉眼识别相关模式的脑电任务，包括TUAB的正常与异常二分类、TUEV的六类事件识别、vEpiSet的发作间期癫痫样放电检测，以及SPaRCNet、SpikeNet2、SeizeIT2上的少样本评估；数据来自既有公开或受控访问的脑电库，未产生新的受试者级数据。
通用预训练能否持续提升脑电任务表现仍是开放的经验问题，视觉特征的可迁移性可能存在自然上限；对于信号信息细微、专家肉眼也难察觉的应用，视觉语言模型路线的收益仍基本未知；模型体积带来的部署成本目前仍是采用的显著障碍。