面向眼科疾病分级与诊断的不完整模态解耦表征

基于摘要分析。该研究针对眼科疾病分级与诊断中的多模态数据缺失问题，提出 Incomplete Modality Disentangled Representation（IMDR）策略，旨在保留模态特有信息、缓解模态异质性，并重建缺失模态中的有用语义；研究对象是眼科多模态诊断，并非 EEG 或 BCI。 方法上，IMDR 以互信息为引导，将表征显式解耦为模态共享特征与模态特有特征，通过知识蒸馏提取有用信息，支持缺失语义重建及多模态表征构建。此外，联合代理学习模块利用从各类别提取的代理，减少模态内部的表征冗余。摘要未提供互信息估计方式、独立性约束、蒸馏目标及代理更新细节，尚不能据此确定具体损失形式和训练流程。 作者报告，在四个眼科多模态数据集上的实验中，IMDR 显著优于现有最先进方法。摘要未列出数据集名称、模态组成、缺失模式、划分协议、对照方法及具体指标；优势幅度、统计检验、实验协议与消融信息尚未验证，也无法据此判断其临床效用。 平台推测（待验证）：若 EEG 与其他生理信号联合建模同样面临整种模态不可用，IMDR 的共享／特有表征解耦与缺失语义重建机制可能具有参考价值，但依赖可学习的跨模态对应关系和类别监督。可复用候选是解耦目标与类别代理机制，需改造信号编码器及时间对齐流程；低信噪比、跨被试差异和小样本可能使共享表征混入个体因素，重建语义也未必保留任务信息。可在已有配对多模态记录上固定跨被试划分，比较完整输入与单模态缺失条件下的 IMDR、简单融合及去除解耦模块的版本，检验其收益是否稳定。已有 EEG 相关工作尚未检索确认。