面向短期与长期医学图像时间序列的时空表征学习

基于摘要分析。该研究面向医学图像时间序列中的短期生理变化与长期疾病进展，提出两种时空表征学习方法，以捕捉可能被常规视频表征方法忽略的时间变化，并处理不规则采集间隔。主要研究对象包括心动周期相关分析及年龄相关性黄斑变性（AMD）预后，而非 EEG 或 BCI。 机制方面，作者认为，针对短自然视频开发的既有方法更偏重时间上的不变特征，且未充分考虑采集间隔对变化解释的影响。第一种方法将片段级对比学习与新的时间嵌入结合，以适应不规则时间序列；第二种方法对时间序列中的潜在帧表示进行掩码与预测。摘要未说明时间嵌入的具体形式、对比样本构造、掩码策略及预测目标细节，不能据此推定具体网络结构或损失函数。 作者报告，两种方法在心输出量估计和三项 AMD 预后任务上均优于其比较的既有方法。摘要未提供数据集规模、患者划分、具体基线、评价指标及数值，因此尚不能判断提升幅度、统计稳定性或跨数据集泛化能力。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码完整性与复现条件尚未核查。 平台推测（待验证）：可检验的迁移假设是，显式时间间隔建模可能有助于处理跨会话 EEG 中不规则随访间隔，而潜在表示掩码预测可作为学习信号时间变化的候选机制。迁移需要将图像帧编码器替换为 EEG 时段编码器，并区分时段内采样时间与会话间时间；原方法对监督、数据规模及序列长度的依赖尚不明确。低信噪比、通道变化及小样本可能使模型优先学习伪迹或被试身份。一个小规模检验可在具有真实采集时间戳的纵向 EEG 数据上，固定被试隔离划分，对比真实时间间隔、等间隔编码与打乱间隔的结果，检验收益是否确由时间信息带来。已有 EEG 相关工作尚未检索确认。