MCRLe：用于卒中发病时间诊断的多模态对比表征学习

基于摘要分析。该研究面向卒中发病时间诊断，关注多模态医学影像间“失配”（mismatch）不显著时的判别困难，提出多模态对比表征学习方法 MCRLe。其主要研究对象是卒中患者医学影像，而非 EEG 解码或 BCI。 方法采用动量对比表征学习，学习同一患者不同模态之间的“失配”信息，并结合跨模态配准与数据增强。作者将配准用于减少成像过程产生的模态间偏差，以便模型更好地区分目标相关差异与成像偏差；摘要未给出具体影像模态、对比样本构造、损失形式及增强操作。摘要以既有工作利用显著“失配”判断卒中发病是否在 4.5 小时内为背景，但本研究具体时间标签与判定协议尚未验证。 作者报告，在包含 136 名卒中患者的数据集上，采用交叉验证，并分别以 3D CNN、3D ResNet-18 和 3D ResNet-50 为骨干进行实验，MCRLe 能改善卒中发病时间诊断表现。作者还报告，即使不使用病灶分割结果作为辅助，模型也能更多关注存在“失配”的卒中区域。摘要未提供具体指标、提升幅度、交叉验证折数、数据划分单位或统计不确定性，因而无法量化收益或比较不同设置的效果。 阅读全文时需核对配准是否保留诊断相关差异、对比学习如何保留而非抹平跨模态“失配”，以及配准、增强与表征学习各自的消融贡献；这些实验协议、消融及统计信息尚未验证。当前材料未建立该影像机制与 EEG/BCI 瓶颈的具体对应关系，不据此提出迁移效果或复现实验建议。