TIM：用于纵向放射学报告生成的时间解耦与迭代相互精炼模型

基于摘要分析。本文研究纵向放射学报告生成（LRRG）：如何利用既往与当前医学影像生成诊断文本，同时表达疾病随时间的演变。作者提出两阶段模型 TIM，将空间病理特征与时间进展分离，并通过既往和当前报告之间的反馈进行迭代修正。 核心机制：第一阶段进行时间解耦表征学习，区分时间演变模式与疾病特异性特征，并分别生成既往和当前检查的报告。第二阶段采用报告相互精炼机制，识别既往报告中的诊断不一致，通过错误敏感反馈迭代修正两份报告。其针对的问题是：不同时间点的影像若混合在同一表征空间中，可能造成语义模糊和时间推理不一致。具体解耦约束、训练损失、反馈实现及迭代终止条件尚未验证。 作者报告，在 Longitudinal-MIMIC 上，TIM 的语言与临床指标均优于所比较的单幅影像和纵向基线，并称达到新的最优表现；摘要未提供具体指标、分数、数据划分及基线配置，因此无法判断提升幅度或比较条件。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码完整性、数据处理流程和复现条件尚未核实。 该研究的主要对象是纵向医学影像到诊断文本的生成，并非神经信号解码或 BCI。其机制依赖多时间点检查与报告之间的关联；现有材料不足以建立与 EEG 瓶颈的具体对应关系，因此不将报告纠错或时间解耦直接视为已验证的 EEG/BCI 方法。相关 EEG 工作尚未检索确认。