CortiLife：跨生命周期皮层表征学习的统一框架

基于摘要分析。CortiLife 面向人类大脑皮层表征学习，旨在克服现有模型局限于特定年龄阶段队列的问题，通过皮层表面分词、多层级编码、掩码自蒸馏与元数据语言提示，构建覆盖生命周期的视觉—语言框架。研究对象是皮层表面及其特征，并非 EEG 解码或 BCI 控制任务。 方法针对三个问题展开：皮层表面的非欧几里得流形结构、配准导致的个体折叠模式同质化，以及皮层特征随年龄变化产生的分布偏移。surface tokenizer 将基于二十面体的表面分块与多层级块编码结合，生成紧凑 token 表征；其中三路编码分别捕获局部拓扑、全局交互和块级分布模式。框架进一步结合掩码自蒸馏，并将年龄、性别、健康状态及 attribution type 等元数据作为语言提示输入文本编码器，以支持个体化、年龄感知与模态感知表征。摘要未给出具体损失、提示构造与训练细节。 作者报告，在冻结编码器的年龄预测、皮层分区两项任务，以及微调编码器的四项脑疾病诊断任务中，CortiLife 在不同年龄阶段和模态类型下均优于所比较的先进基线。摘要未提供数据集、样本量、年龄范围、数据划分、具体基线、指标或数值，因此尚不能判断优势幅度，也不能据此确认其跨队列或跨数据集泛化能力。 复现与证据核验应重点关注皮层配准及分块流程、各编码分支的独立贡献，以及元数据在训练和下游评估中的可用性，尤其是年龄预测时年龄提示的使用协议；这些属于需核对事项，不代表已发现标签泄漏。实验协议、消融及统计信息尚未验证。该框架依赖皮层网格结构与元数据，不能直接等同于 EEG 电极拓扑或时序信号建模；目前材料不足以支持具体 BCI 迁移结论，已有 EEG 相关工作尚未检索确认。