CoReEcho：面向 2D+time 超声心动图分析的连续表征学习

基于摘要分析。该研究面向 2D+time 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 CoReEcho，试图缓解端到端训练所得表征难以解释、未能捕捉超声片段间连续关系的问题。 作者认为，片段之间连续关系的缺失可能反映伪相关，并影响泛化。CoReEcho 的核心思路是使表征学习更贴合连续 EF 回归任务，但摘要未说明连续关系如何定义、如何构造训练样本，以及采用何种损失或约束，因此尚不能判断其具体实现及与其他表征学习方法的区别。摘要也不足以确认表征可解释性是否得到直接验证。 作者报告，在 EchoNet-Dynamic 上取得 MAE 为 3.90、R2 为 82.44，并称优于当时的 SOTA；摘要未交代 MAE 单位及 R2 的数值表示方式，故此处保留原文数值。作者还报告，所学特征在相关下游任务中具有更好的迁移效果。上述结果对应的数据划分、对照基线、下游任务、消融及统计信息尚未验证，不能据此作跨协议比较。 作者提供了公开代码链接，但运行环境、训练配置及复现结果尚未核验。研究对象是超声心动图而非 EEG 或 BCI；摘要没有提供足够具体的机制来建立可靠的迁移对应关系，因此不将其回归与迁移结果解读为 BCI 有效性的证据。相关 EEG 工作尚未检索确认。