PolyAge-DT：面向衰老数字孪生的缺失感知多模态表征学习

基于摘要分析。PolyAge-DT 针对衰老过程中多器官、多尺度健康信息异质且模态不完整的问题，使用 UK Biobank 数据构建时间分辨的多模态健康状态表示，并通过跨模态对齐 Transformer 融合各模态潜在表示，服务于患者分层、年龄预测、疾病标签预测及未来健康轨迹建模。 机制上，框架先组织异质多模态记录，再将模态特异的潜在表示整合为统一的 PolyAge 表示。作者报告，融合表示能够保留已观测模态的信息，并支持部分模态缺失条件下的推断；但摘要未说明缺失感知机制的具体实现、对齐目标、损失函数或缺失模式设置。另引入时间解码器建模纵向随访中的健康状态变化，作者仅将捕捉时间状态转移的结果描述为初步结果，不能据此认定已实现可靠的个体未来健康预测。 在 UK Biobank 的年龄预测评估中，作者报告 MAE 为 3.39 年，预测年龄与实际年龄的 Pearson 相关系数为 0.85；在 16 个临床终点的疾病标签预测中，作者报告平均 AUROC 为 0.81，其中糖尿病、高血压、心血管疾病及慢性肾病分别为 0.94、0.80、0.83 和 0.87。摘要未提供样本量、训练与测试划分、纵向记录隔离方式、对照基线及统计不确定性，以上数值仅适用于文中尚待核验的评估协议，不能外推为跨队列或前瞻性临床性能。 复现时需核对各模态的定义与时间对齐、缺失机制及模拟方式、疾病标签与预测时间点，以及时间解码器的评估指标；实验协议、消融及统计信息尚未验证。该研究的主要对象是衰老数字孪生，而非神经信号解码，摘要未建立其与 EEG/BCI 的具体机制对应，因此不据此生成迁移实验建议。