面向短期与长期医学图像时间序列的时空表征学习

基于摘要分析。该研究面向医学图像中短时间尺度的生理变化与跨月、跨年的疾病进展，提出两种时空表征学习方法，旨在捕捉时间变化并处理不规则采集间隔，而非仅学习跨时间保持不变的特征。 核心机制：第一种方法将片段级对比学习与新的时间嵌入结合，以适应不规则时间序列；第二种方法对时间序列中的潜在帧表征进行掩码与预测。摘要将二者作为两种方法提出，尚不能认定其属于同一联合训练框架。作者认为，面向短自然视频开发的既有方法更侧重时间不变性，且未充分考虑采集间隔对变化解释的影响。 结果与证据边界：作者报告，两种方法在包括心输出量估计及三项年龄相关性黄斑变性（AMD）预后任务在内的时间依赖任务上，优于所比较的既有方法。摘要未提供具体数据集、样本量、划分、指标数值或基线配置，因此无法判断优势幅度、统计可靠性与跨人群泛化能力。时间嵌入形式、掩码策略、预测目标、实验协议、消融及统计信息尚未验证，复现所需的实现与训练细节也需查阅全文。 平台推测（待验证）：假设其对采集间隔的编码能够区分真实生理变化与时间跨度差异，则可能为跨会话、非等间隔 EEG 随访提供方法参考；这不等于已验证的 BCI 效果。迁移可考虑复用时间嵌入与潜在表征预测机制，但需将图像帧编码改为适配 EEG 通道与时间窗的编码，并核对其监督需求与数据规模。低信噪比、电极配置变化、被试差异及小样本可能使模型优先学习采集条件而非生理演变。可在具有真实采集时间戳的重复 EEG 数据上，固定编码器和按被试隔离的划分，对比使用真实间隔、不使用间隔及打乱间隔的方案，检验时间信息是否改善同一下游任务。相关 EEG 工作尚未检索确认。