ConPrO：利用对比学习与偏好优化学习医学图像的严重程度表征

基于摘要分析。该研究针对医学图像中的病情严重程度评估，提出 ConPrO，将对比学习与偏好优化结合，使潜在表征不仅区分类别，还体现严重程度的有序关系。其主要研究对象是医学图像，并非 EEG 或 BCI。 机制上，ConPrO 不只强调拉开不同类别之间的距离，而是将不同严重程度类别相对于正常类的距离偏好知识注入潜在向量。其可关注之处在于把类别之间的程度关系纳入表征学习，而不只学习类别可分性。摘要未说明偏好的构造方式、具体损失、标签需求及训练流程，这些均尚未验证。 作者报告，所学特征空间呈现有价值的严重程度排序，分类表现优于此前方法；相对于一个监督基线和一个自监督基线，分别取得 6% 和 20% 的相对提升。摘要未提供对应指标、数据集、划分或基线名称，因此这些数字不能解释为 Accuracy 的百分点增益，也不足以判断跨数据集或临床泛化能力。作者称系统考察了框架关键组件，但具体消融结果、实验协议及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具备可信的有序状态标签与明确参考状态，可假设相对参考状态的距离偏好有助于构造有序表征；可复用的是偏好约束思路，需改造信号编码器、参考状态定义及偏好生成方式。低信噪比、跨被试基线差异、通道差异和小数据可能使距离反映个体差异而非目标状态。一个可证伪的小实验是在具有明确有序标签的 EEG 数据上，固定编码器与跨被试划分，比较加入与不加入偏好约束时的排序一致性及分类表现。该假设并非原论文已验证结论，相关 EEG 工作尚未检索确认。