从含噪声的序数疾病进展标签中学习疾病状态

基于摘要分析。本文研究能否仅利用“改善、恶化或稳定”等含噪声的序数疾病进展标签，学习支持疾病状态分类的图像表征。研究对象是新生血管性年龄相关性黄斑变性（nAMD），并非 EEG 或 BCI；核心贡献是将就诊间的病情变化监督转化为可服务于单张图像疾病活动性分类的表征学习。 方法将不同就诊时点之间的疾病进展建模为具有序数等级的分类任务，并结合独立图像编码、logit 空间的反对称等变性及序数尺度感知，使模型适配成对图像与有序变化标签的结构。此外，模型学习不确定性估计，用于损失重加权以应对标签噪声。摘要未给出这些约束及不确定性估计的具体实现或损失形式。 作者报告，模型仅用带序数疾病进展标签的图像对训练，即可学习可解释的疾病表征，并在相关的单图 nAMD 活动性分类任务中取得较强的少样本表现。摘要未提供数据集规模、患者划分、少样本设置、对照基线或具体指标，因此目前无法量化收益，也无法判断不同组件各自的贡献；实验协议、消融及统计信息尚未验证。 摘要提供了研究实现的 GitHub 链接，但代码可用性、运行环境及复现完整性尚未验证。现有材料未建立该方法与神经信号任务的具体对应关系，不据此推断 EEG 或 BCI 有效性。