GestaltCLIP：通过异构表型监督进行概念增强的临床结构化面部表征学习

基于摘要分析。GestaltCLIP 针对罕见遗传病面部表征学习中数据量小、图像级表型标注稀缺且监督碎片化的问题，提出概念增强的视觉—语言框架，将临床表型概念组织进面部表征，无需完整的图像—表型配对。 方法整合 Human Phenotype Ontology（HPO）概念、患者表型集合及疾病级表型知识三层监督，包含本体感知的 HPO 学习、表型集合建模、直接图像—表型对齐，以及以疾病为中介的弱监督。其核心思路是利用不同粒度的表型知识补充稀缺的直接配对监督；训练后的视觉编码器在推理时仅需图像。摘要未披露具体损失形式、各监督信号的组合方式或模型结构细节。 作者报告，在 GestaltMatcher Database 的疾病识别评估中，四项疾病识别指标均改善，平均相对提升为 15.58%；原子级图像到 HPO 检索的 mean average precision（mAP）提升被表述为 7.73 倍。摘要未给出这四项指标的名称、对应基线及划分细节。作者报告，在其所称的严格 RDFace 外部评估中，Top-1 Accuracy 从 8.93% 提升至 15.18%。这些结果分别涉及疾病识别、表型概念检索和外部数据集识别，不宜相互替代解读。 阅读全文时需核对异构监督的构建与覆盖范围、疾病及患者层面的数据划分、外部评估约束，以及各模块对结果的贡献。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。本文的主要研究对象是罕见病面部图像及临床表型知识，摘要未提供神经信号实验或明确的 EEG/BCI 机制对应关系，因此不据此生成迁移结论。