NeuroInject：通过中间临床状态注入，在无配对被试条件下连接脑与行为以识别抑郁

基于摘要分析。研究针对 EEG 与行为访谈数据来自独立队列、缺乏被试级或样本级对应关系时的多模态抑郁识别，提出 NeuroInject：保留冻结多模态大语言模型原有的音频—文本处理路径，将编码后的 EEG 表征注入其中间计算，以实现非配对队列间的信息迁移。 机制上，可学习的 clinical carriers 通过共享交叉注意力提取各模态证据，在跨层计算中将其累积为临床状态，再通过门控低秩映射写回模型。EEG 与行为样本分别进行独立前向传播，跨队列迁移依赖联合优化的共享参数与统一决策空间，而非配对样本之间的直接融合。摘要未给出具体损失、监督配置及 EEG 编码器结构，这些细节尚未验证。 作者报告，在 MODMA、EDRA、CMDC 和 DAIC-WOZ 各自的实验设置下，NeuroInject 的 Accuracy 分别为 71.02、86.81、91.19 和 65.78，均为所比较方法中的最高值；摘要未明确这些数值的单位、数据划分或被试内／跨被试协议，因此不能据此进行跨数据集直接比较。作者同时指出，AUROC 的增益不如 Accuracy 一致。作者报告的消融表明，相对独立 EEG 编码器的改善主要来自中间交互机制，但具体消融配置与增益幅度尚未验证。 该研究直接涉及 EEG 辅助抑郁识别，不等同于已验证的通用 BCI 解码能力。复现时需核对独立队列的训练与测试边界、各模态监督如何进入共享决策空间、对照方法配置，以及冻结参数与可训练模块的范围；实验协议、消融及统计信息尚未验证。现有摘要也不足以判断该机制在队列分布差异、通道差异或小样本条件下的稳健性。