利用对抗式分解 VAE 进行脑结构–功能融合表征学习以分析轻度认知障碍（MCI）

基于摘要分析。该研究面向轻度认知障碍（MCI）分析中脑结构与功能连接特征难以有效融合的问题，提出脑结构–功能融合表征学习模型 BSFL，从扩散张量成像（DTI）与静息态 fMRI 中学习与 MCI 相关的融合表征。其主要研究对象是多模态脑影像与认知障碍分析，并非 EEG 解码或 BCI 控制任务。 核心机制是分解–融合框架：先将每种模态的特征分解为共享空间与模态特有空间，再自适应融合分解后的特征。模型另设知识感知 transformer 模块，以捕获全脑局部与全局连接特征，并采用 uniform-unique contrastive loss，促进表征分解及结构、功能特征之间的互补性。标题明确涉及对抗式分解 VAE，但摘要未展开其生成建模方式、对抗训练目标，以及这些组件与融合框架的具体衔接。 作者报告，在所开展的 MCI 预测与分析实验中，BSFL 的性能优于其他竞争方法；摘要未给出数据集、被试规模、划分协议、对照方法名称或量化指标，因此不能判断优势幅度及跨被试、跨中心泛化能力。作者还提出，该模型可能用于重建统一脑网络及预测 MCI 退行过程中的异常连接；这一潜在用途不应等同于已完成临床验证。 复现与证据核对需关注结构和功能连接的构建及对齐方式、知识感知模块所用先验、各项损失的定义与权重，以及脑网络重建和异常连接预测的验证依据。实验协议、消融及统计信息尚未验证；当前材料不足以据此推断 EEG 或 BCI 有效性。