帕金森病脑电微状态跨队列失灵：同一特征空间里，队列来源判别AUC达0.966
核心概要
把静息脑电的A/B/C/D微状态序列扩展成静态、有向转移、流量与复杂度四类特征后，帕金森病与健康对照的判别在开发队列内达到ROC-AUC 0.823，但在独立OpenNeuro队列上锁死测试时降到0.513，接近随机。同一特征空间里，一个判别数据来源的分类器达到ROC-AUC 0.966，说明两个队列的特征分布本身差异很大。研究据此把队列内判别与跨队列可迁移性分开评估，并提示在把微状态特征当作可复现电生理标志物之前需要显式的分布偏移检查。
深度剖析
静息脑电微状态序列被拆成四类互补特征来刻画帕金森病相关的大脑状态动力学，而不只统计各状态占多少时间。 常规做法只用持续时长、出现率、覆盖率等静态描述量，刻画的是单个状态被表达得多强。 在包含100名帕金森病患者和49名健康对照的开发队列上，随机森林取得重复交叉验证ROC-AUC 0.823、平衡准确率0.734，为所评估分类器中最高的判别表现。
判别能力随验证变严而逐级衰减，最终在独立队列上落到随机水平附近。 开发队列内的交叉验证结果此前被当作信号强度的估计，但模板估计与预处理都可能让这一估计偏乐观。 在按折内重新估计模板的泄漏感知评估中ROC-AUC为0.650，而在未用外部标签重新估计任何模板或模型的锁定测试中，随机森林在ds003490的25名患者与25名对照上ROC-AUC为0.513、平衡准确率0.520。
性能衰减与特征空间本身的队列结构同时出现，使问题落在特征分布而非单纯的模型选择上。 若外部判别失败仅反映疾病信号弱，同一特征空间不应同时强烈编码队列归属。 用同一套多族微状态特征训练的数据来源分类器区分开发队列与外部队列，ROC-AUC达0.966，主成分分析前两个成分分别解释42.7%和18.9%的方差。
启示与展望
结论建立在两个公开OpenNeuro数据集上：开发队列ds004584含100名帕金森病患者与49名健康对照，外部锁定测试队列ds003490含25名患者与25名对照，所有记录统一裁到120秒分析窗。分类表现被定位为标志物评估指标，而非临床诊断准确率。
采集协议、通道配置、用药状态、队列构成与预处理兼容性在两个数据集间同时变化，因此无法把分布偏移归因于单一来源。认知状态方面，帕金森病组MoCA得分更低，组内MoCA与主要特征的Spearman相关较弱且区间跨零，按MoCA≥21或≥23限制样本后判别仍未恢复，认知异质性的残余作用尚不确定。