用于基于 fMRI 的神经系统疾病识别的可泛化表征学习

基于摘要分析。研究针对 fMRI 神经系统疾病识别中功能模式异质性较强、临床影像数据稀缺的问题，提出结合元学习与自监督学习的表征学习策略，利用健康对照数据学习可向临床任务泛化的特征。其主要研究对象是临床 fMRI 分类，而非 BCI 控制或 EEG 解码。 机制上，作者在健康对照数据上开展自监督学习，以提取不局限于某一特定监督任务的内在特征，并引入元学习以改善跨域泛化。该思路依赖健康对照数据相对充足、临床训练数据相对稀缺的条件，重点在于正常功能模式中学到的表征能否支持未见过的临床应用。摘要未说明自监督任务、损失函数、元学习任务构造及临床适配流程，具体实现尚未验证。 作者报告，在四个具有数据稀缺性和异质性的临床数据集上开展神经系统疾病分类，所提策略在多种临床任务中优于比较方法。但摘要未提供疾病类别、数据集名称、样本量、指标、基线及具体数值，也未明确被试与采集站点的划分方式；实验协议、消融及统计信息尚未验证，暂不能判断收益幅度或适用边界。 平台推测（待验证）：这一机制可对应 EEG 中健康数据较多而目标任务标注较少的表征迁移问题，但 fMRI 上的作者报告不能视为 EEG/BCI 有效性证据。可考虑复用自监督与元学习框架，信号编码、自监督任务及元任务划分则需针对 EEG 改造；低信噪比、跨被试差异、通道配置变化和小数据可能使迁移失效。一个可检验的小实验是在固定跨被试划分与目标标注预算下，对比仅自监督预训练与自监督结合元学习，核查后者是否稳定改善同一分类指标。相关 EEG 工作尚未检索确认。