CoReEcho：面向二维时序超声心动图分析的连续表征学习

基于摘要分析。CoReEcho 研究二维时序超声心动图的射血分数（EF）直接回归，提出强调连续表征的训练框架，旨在改善端到端模型的表征质量与泛化能力；其主要研究对象是心脏超声视频，而非 EEG 或 BCI。 作者认为，端到端 EF 回归所学表征可能难以解释，也可能未能捕捉不同超声片段之间的连续关系，并存在影响泛化的虚假相关。CoReEcho 围绕这一问题组织表征学习，但摘要未说明连续关系的定义、监督信号、损失函数或具体训练流程，因此尚无法核对其机制与普通回归训练的实质区别，也不能将表征连续性直接等同于可解释性已获验证。 作者报告，在 EchoNet-Dynamic 的 EF 回归评估中取得 MAE 3.90、R2 82.44，并称优于当时的 SOTA；摘要未明确 MAE 单位、R2 数值尺度、数据划分及对照设置，故保留原始数值，不作跨协议比较。作者还报告所学特征在相关下游任务上具有更好的迁移表现，但任务名称、迁移方式与定量结果尚未验证。 摘要提供了公开代码地址，可作为后续复现入口；代码内容、实验协议、消融及统计信息尚未验证。现有材料不足以建立该框架与 EEG 瓶颈之间的具体机制对应，不据此推导 BCI 效果；相关 EEG 工作尚未检索确认。