面向有限且不平衡数据深度学习的前置任务表征迁移：应用于基于 CT 的 COVID-19 检测

基于摘要分析。该研究针对 CT 图像中的 COVID-19 检测，提出 Pre-text Representation Transfer（PRT），旨在缓解医学图像标注昂贵、训练样本有限且类别不平衡，以及自然图像与医学图像之间域差异带来的迁移困难；研究对象并非 EEG 或 BCI。 机制上，常规迁移学习通常替换源模型的分类层后进行微调，PRT 则保留原分类层，通过无标注前置任务更新表征层。该任务使用真实而非合成的医学图像，不使用这些图像的标注。迁移后的模型既可作为特征提取器，也可进一步执行常规迁移学习。作者还设计了基于协同表示的分类层，并将其输出与在 PRT 模型上继续进行常规迁移学习所得模型的预测融合。摘要未给出前置任务的具体定义、损失函数及融合规则。 作者报告，在基于 CT 的 COVID-19 检测中，对三个大规模模型开展五折评估，并测试五种类别不平衡比例，所提方法相对常规迁移学习获得一致提升。摘要未提供模型名称、数据集、样本量、不平衡比例具体取值、评价指标或增益幅度；五折划分是否按患者隔离、无标注数据与测试数据的关系，以及消融和统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，利用目标域无标注数据进行前置任务训练，可能缓解 EEG 小样本监督学习中的表征失配。可复用的是目标域无标注表征适配及后续分类流程；需重新设计 EEG 前置任务、输入适配和源分类层的兼容方式。低信噪比、被试差异、通道配置变化及有限无标注数据均可能使这一假设失效。一个可证伪的小实验是在固定跨被试划分和标注预算下，仅用训练被试数据进行适配，比较直接微调、PRT 后微调及加入分类融合的结果，并预先规定适合类别不平衡的指标。该设想不代表已验证的 EEG 效果，已有 EEG 相关工作尚未检索确认。