CheXWorld：探索用于放射影像表征学习的图像世界建模

基于摘要分析。CheXWorld 面向放射影像表征学习，提出自监督图像世界模型，在统一框架中联合建模局部解剖结构、全局解剖布局和外观域变化，目标是学习可迁移的医学影像表征，而非 EEG 解码或 BCI 算法。 局部结构涵盖组织的形态、形状与纹理；全局布局涉及器官和骨骼的空间组织；域变化则涉及不同医院、设备或患者所带来的清晰度、对比度及曝光差异。摘要未披露这些知识如何编码、域间转变如何构造，以及具体损失、训练规模和推理流程，不能据“世界模型”一词推断其采用动作条件预测或特定生成架构。 作者报告，定性与定量分析支持模型捕获上述三个维度的医学知识；在八个医学图像分类与分割基准的迁移学习实验中，优于既有自监督学习方法和大规模医学基础模型。摘要未提供基准名称、数据划分、指标、分数及统计检验，优势幅度与对照可比性尚未验证。作者提供了代码与预训练模型链接，但其可运行性及复现条件尚未核验。 平台推测（待验证）：若其局部—全局结构联合建模及域变化学习机制可独立复用，可研究其对 EEG 局部时频特征、跨通道关系和采集域差异的适用性。该假设需将影像解剖结构与外观变换改造成适合 EEG 的信号表示及变换；影像空间结构不能直接等同于电极拓扑，低信噪比、通道配置变化及小样本可能使所学变化破坏任务信息。一个可检验的小实验是在固定数据划分的跨被试 EEG 任务中，比较同一骨干加入与不加入域变化建模的结果，并控制预训练数据与下游训练预算。已有相关 EEG 工作尚未检索确认，具体实现仍需全文支持。