ConPro：利用对比学习与偏好优化学习医学图像的严重程度表征

基于摘要分析。该研究针对医学图像中的疾病严重程度评估，提出融合对比学习与偏好优化的表征学习方法 ConPrO，旨在使特征空间不仅支持分类，还能表达严重程度的有序关系。 核心机制是将不同严重程度类别相对于正常类别的距离偏好知识注入潜在表征，而不只是像摘要所对照的常规对比学习那样扩大类别间距离。这里的主要研究对象是医学图像及其严重程度结构，并非 EEG 或 BCI。摘要未披露偏好约束的具体形式、损失函数、偏好来源、采样策略及训练流程；这些内容尚未验证。 作者报告，该方法在特征空间形成了有价值的严重程度排序，并在分类任务中优于此前方法；相对于一个有监督基线和一个自监督基线，分别取得 6% 与 20% 的相对提升。这些数值不是百分点变化，摘要也未提供对应指标、数据集、划分协议及基线名称，因此不能据此判断绝对性能或跨协议优势。作者还表示系统考察了框架的关键组成部分，但具体消融结果及统计信息尚未验证。 平台推测（待验证）：若某项 EEG 任务具有可靠的有序状态标签和明确参考状态，距离偏好约束可能用于检验表征是否比单纯类别分离更好地保留状态顺序。可复用的是偏好约束思路，需改造的是 EEG 编码器、参考状态定义及采样方式；低信噪比、跨被试差异和小样本可能使距离反映个体差异而非目标状态。一个可检验的小实验是在固定编码器和相同被试划分下，对比是否加入偏好约束，分别评价排序一致性与分类表现。该假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。