随着人工智能在医疗领域的深入，高质量数据集成为模型训练的关键。脑电图（EEG）数据因其非侵入性和高时间分辨率备受关注，但其真实可用性如何？一项针对医疗EEG数据集的范围综述，批判性地揭示了当前开放数据集的机遇与局限，指出文档缺失与标准不一正成为阻碍AI诊断技术发展的主要壁垒。
智能速览
在检索的140余个数据集中，仅有30个符合医疗应用的高质量标准。
现有数据集主要集中在睡眠、精神与神经系统三大类疾病研究。
超过半数的数据集缺失关键的数据收集协议，严重影响复现与利用。
FAIR原则评估显示，数据集在可重用性上普遍得分偏低。
研究呼吁社区遵循BIDS等标准，并加强文档建设以释放数据价值。
精华内容
在AI驱动医疗革新的浪潮下，高质量的EEG数据集是训练模型的核心燃料。然而，通往有效利用这些数据的道路上布满了哪些障碍？一项范围综述揭示了当前医疗EEG数据集的真实图景，从分布现状到可重用性瓶颈，进行了深入剖析。
数据集分布现状
该研究系统性地筛选并评估了现有的开放EEG数据集，最终仅30个符合非癫痫医疗应用的标准。这些数据集覆盖了三大类健康状况：睡眠研究（占比最高，如CAP、ISRUC-Sleep）、精神状况（如抑郁症、精神分裂症）和神经状况（如帕金森病、阿尔茨海默病）。然而，数据分布存在明显不均，尽管偏头痛、抑郁症等在普通人群中发病率极高，但相关的开放数据集却极为匮乏，限制了针对这些常见病的研究进展。
这种不均衡现象反映了当前研究热点与公共健康需求之间的差距，也为未来数据收集工作指明了方向，即需要更多关注常见但被忽视的病症。
可重用性瓶颈
研究发现的最大挑战在于数据集的可重用性。超过一半（16个）纳入评估的数据集，在其描述或文件中完全没有提供数据收集协议。这意味着研究人员无法得知实验是如何设计的、采用了何种刺激、电极如何放置等关键信息。没有协议，数据分析几乎无法正确进行，极易导致“数据挖掘”等错误结论。
即便通过查找相关论文能找到部分协议，但过程繁琐且信息不全。这种文档的缺失直接阻碍了研究成果的复现，违背了开放科学促进可重复性的初衷，是当前EEG数据共享生态中最亟待解决的问题。
标准与格式缺失
在数据格式方面，EEG领域尚未形成统一标准，不同数据集采用多样的文件格式（如.mat、.edf、.set等），给数据整合与工具开发带来困难。尽管BIDS（脑成像数据结构）标准及其EEG扩展已逐步推广，旨在规范文件组织、元数据和分发，但在本次评估的30个数据集中，仅有9个采用了BIDS格式。
缺乏统一标准导致数据互操作性差，研究人员常需为每个新数据集编写专门的处理代码，增加了出错风险和工作量。遵循BIDS等社区标准，是提升数据集长期价值和广泛适用性的关键一步。
共享的现实障碍
除了技术和文档问题，伦理披露和数据可用性声明也存在问题。在筛选过程中，有7个数据集因未披露伦理批准信息而被排除，这涉及数据使用的合法合规性风险。此外，许多研究仅声明“数据可应要求提供”，但研究表明这类请求的满足率仅为40%左右，数据的实际可用性随时间推移而降低。
这种“形式上开放，实质上封闭”的现象，背后是研究人员对数据质量、被滥用风险的担忧，以及学术体系中数据共享激励机制的缺失。解决这些问题需要文化和制度层面的共同变革。
这项综述清晰地描绘了医疗EEG数据集的价值与困境。它肯定了开放数据对AI医疗的巨大推动作用，同时也尖锐地指出，若无完善的文档、统一的标准和真诚的共享文化，大量数据集的价值将难以被完全释放。未来，研究社区能否齐心协力，共同构建一个更透明、易用、丰富的数据生态，将是决定AI能否在医疗诊断领域实现突破性进展的关键。
