LSOR：纵向一致的自组织表征学习

基于摘要分析。LSOR 面向纵向脑 MRI 的可解释表征学习，试图解决高维潜空间中自组织映射（SOM）训练不稳定、所得网格未必体现脑龄等临床相关信息的问题。方法仅依赖纵向脑 MRI，不使用人口统计或认知信息进行所述表征学习，通过软聚类和纵向轨迹对齐构建按脑龄组织的潜空间。 SOM 将潜空间划分为簇，并将簇中心映射到通常为二维的离散网格，以保留高维簇间关系。LSOR 以软聚类替代既有 SOM 方法的硬分配，作者据此报告训练稳定性改善；同时，将纵向 MRI 推断的轨迹与相应 SOM 簇的参考向量对齐，使潜空间呈现脑龄分层。这里的研究对象是脑 MRI 的纵向变化与疾病相关表征，而非 EEG 解码或 BCI 控制。 作者报告，在 Alzheimer's Disease Neuroimaging Initiative（ADNI，N=632）的纵向 MRI 上，LSOR 获得可解释潜空间；在稳定型与进展型轻度认知障碍分类，以及全体被试 ADAS-Cog 评分回归任务中，其表现与所比较的先进表征相当或更好。摘要未给出具体分类指标、回归误差、数据划分及基线配置，不能据此量化收益或跨协议比较。实验协议、消融及统计信息尚未验证；脑龄分层的验证方式与训练稳定性的量化证据也需查阅全文。摘要提供了代码仓库，但运行条件与结果复现情况尚未验证。该摘要尚不足以建立向 EEG/BCI 迁移的具体机制对应关系，因此不据此提出迁移效果或复现实验结论。