分离诊断与疾病表征：神经动力学引导形变的双视图 EEG 学习

基于摘要分析。研究针对 EEG 闭环神经调控需要个体化、结构化脑状态，而非单一疾病概率的问题，提出 DMD-EEG（Dual-view Multiscale Deformation for EEG），将诊断预测与源空间疾病表征分开建模，使脑区、频率和时间滞后坐标可直接读取。 方法保留固定的头皮频谱专家用于诊断，另以健康神经动力学先验为起点，通过低秩、稀疏、迭代形变构建源空间疾病相关状态。该状态位于 46 个 ROI × 5 个频率 × 4 个滞后（自相关时间尺度）的空间中。两个专家仅在固定决策层融合，源空间状态在架构上与头皮专家分离。其设计重点是避免将传感器空间的预测信号与源空间的解剖定位强行压入同一表征，而非以事后归因替代疾病状态建模。 作者报告，在重性抑郁障碍（MDD）、首发精神病（FEP）和帕金森病（PD）任务中，决策层融合在 MDD 与 FEP 上达到最强单专家的表现，在 PD 上优于源空间分支；摘要未给出具体指标或数值，不能据此认定融合在所有任务上均优于所有单分支。作者报告，FEP 的源空间专家是最强分支，也是形变贡献最大的任务。 作者将源状态定位为跨导联配置共享源坐标中的、具有解剖对应关系的预测表征，可用于生成研究假设。作者报告，高显著性坐标与既有疾病相关环路相符，包括 MDD 的额叶—边缘—颞叶区域及 PD 的运动皮层 beta 活动；MDD 状态还以排序形式迁移至采用不同导联配置的未见队列。上述一致性与迁移结果不等同于因果机制验证，也不证明这些坐标已成为有效刺激靶点。 全文尚未取得：健康先验构建、源定位流程、形变优化与损失、固定专家及融合规则、队列规模、数据划分、排序迁移指标、消融及统计信息尚未验证。若评估其闭环应用价值，需进一步核对源状态的个体可靠性与跨导联稳定性，以及状态变化能否预测实际调控响应；摘要未提供闭环干预验证结果。