用于眼科疾病分级与诊断的不完整模态解耦表征

基于摘要分析。该研究面向眼科疾病分级与诊断中的多模态数据缺失问题，提出 Incomplete Modality Disentangled Representation（IMDR），通过显式分离模态共享与模态特异特征，重建缺失的语义信息并形成多模态表征；其主要研究对象是眼科多模态诊断，而非 EEG 或 BCI。 作者认为，已有方法针对不同模态组合学习隐式潜在子空间，可能限制模态特异信息的保留，同时受到模态异质性带来的分布差异和表征冗余影响。IMDR 使用互信息引导特征解耦，并通过知识蒸馏支持缺失语义重建；另引入 joint proxy learning 模块，利用各类别提取的代理减少模态内冗余。摘要未提供互信息估计方式、蒸馏目标、代理构建方法或训练与推理流程，具体实现尚未验证。 作者报告，在四个眼科多模态数据集上，IMDR 显著优于所比较的现有方法。摘要未列出数据集名称、模态构成、数据划分、缺失模式、对照方法及具体指标，因此无法据此判断效应大小或不同缺失条件下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多模态任务具有同步或配对观测及类别监督，共享／特异特征解耦和类别代理学习可能用于缓解模态缺失，但原领域结果不等于 BCI 有效性。可考虑复用表征解耦与代理学习机制，并改造信号编码器、时间对齐及缺失模态训练流程。低信噪比、跨被试差异、通道配置变化与小样本可能导致共享成分估计不稳，或使代理偏向被试特征。一个可证伪的小实验是在固定 Cross-subject 划分和模态缺失协议下，对比基础融合模型、加入解耦机制及进一步加入代理学习的版本，检验收益是否稳定。相关 EEG 工作尚未检索确认。