神经影像生成模型中的隐性失效：证伪导向评估

基于摘要分析。本文研究神经影像生成模型的常用图像指标能否反映科学或临床任务所需的信号，通过已发表模型复现、简单基线对照和受控模拟，检验高图像相似度掩盖任务失效的可能性。核心贡献是提出以任务相关指标和适当基线为基础的证伪导向评估，而非仅依赖 SSIM、MSE、PSNR、FID/KID 等结构或强度指标。 作者复现了两个公开模型：用于疾病进展建模的潜在扩散模型 BrLP，以及以 EEG 为条件生成 fMRI 的 NT-ViT。作者报告，两者的图像层面评分均与原论文相符，但在引入恒等映射、随机被试匹配等简单基线及任务专用指标后，BrLP 的体积与变化方向预测未优于朴素启发式方法；NT-ViT 虽有较好的 SSIM 和 PSNR，其重建结果与真实时间序列之间却未显示可测关系。摘要未提供数据集、被试数、数据划分、具体数值或统计检验，因此这些结论的适用范围及实验协议尚未验证，不能据此推广为所有 EEG 条件生成模型均无效。 机制上，作者指出神经影像中任务相关变化往往较小，而稳定、共享的解剖结构占据主要图像信息。作者报告，受控模拟中即使移除一次 fMRI 扫描的全部时间信息，SSIM 和 MSE 仍接近其指标表现上限，支持静态解剖结构可能主导评分的解释。作者还使用轻量级 fMRI tokenizer，展示预处理和训练目标中的显式归纳偏置如何揭示单一指标难以呈现的保真度与任务性能权衡；tokenizer 的结构、目标函数及具体对照尚未验证。 对 EEG 条件 fMRI 生成研究，本文直接提示需要区分解剖外观重建与时间动态恢复。复现时应核对简单基线的构造、被试及时间维度的划分、时间序列关系的度量与统计检验，以及生成结果是否利用了 EEG 条件信息。这些是待核对事项，而非已确认的协议缺陷；本文也不直接证明 BCI 解码性能改善或下降。全文、实验协议、消融及统计信息尚未验证。