Surreal-GAN：通过 GAN 进行半监督表示学习，揭示异质性疾病相关影像模式

基于摘要分析。Surreal-GAN 面向神经及神经精神疾病影像中的疾病相关异质性，利用正常对照与患者的横断面影像学习连续多维表示，旨在避免将患者仅划分为离散亚型，并沿各维度推断个体疾病严重程度。 方法遵循半监督聚类思路，学习从正常对照（CN）域到患者（PT）域的变换，由潜变量控制不同变换方向；同时引入逆映射，以及对函数连续性、模式正交性和单调性的正则约束，以促使变换捕捉具有临床意义的影像模式。摘要将现有方法的局限概括为：未显式建模疾病异质性、非线性表示难以解释、无监督划分可能受混杂因素驱动，以及离散亚型难以描述连续变化。上述约束的具体形式、权重和优化过程尚未验证，不能据此认定其已消除混杂。 作者报告，模型经过广泛的半合成实验验证，并在 Alzheimer's disease（AD）中展示了捕捉生物学上合理影像模式的潜力。摘要未提供影像模态、样本量、数据划分、对照基线或定量指标；实验协议、消融及统计信息尚未验证。横断面数据所推断的严重程度维度，也不能仅凭摘要解释为已验证的个体纵向疾病进展轨迹。 该研究的主要对象是疾病相关影像异质性，而非 EEG 解码或 BCI。现有材料未给出其与 EEG 瓶颈的具体对应关系，因此不据此生成 BCI 迁移方案；相关 EEG 工作尚未检索确认。复现前需取得全文，核对输入表示、混杂因素处理、约束实现与临床解释的验证依据。