PRETI：通过元数据引导的表示学习构建患者感知的视网膜基础模型

基于摘要分析。PRETI 面向视网膜图像分析，将患者元数据与自监督表示学习结合，旨在利用年龄、性别等较易获得的信息，减少对获取成本较高的临床报告监督的依赖。其主要贡献是可学习元数据表示、患者级图像配对及视网膜区域自适应掩码，而非 EEG 或 BCI 方法。 机制方面，Learnable Metadata Embedding（LME）用于动态优化元数据表示；患者级配对将同一个体的图像关联起来，作者旨在借此增强对非临床变化的鲁棒性；Retina-Aware Adaptive Masking（RAAM）在视网膜区域内选择性施加掩码，并在训练期间动态调整掩码比例。作者认为这些设计有助于同时捕获全局结构和细粒度病理信息。具体损失函数、图像与元数据的融合方式、配对构造及掩码调度尚未验证。 作者报告，在内部及公开数据上的多种疾病与生物标志物预测任务中，PRETI 达到最先进结果。摘要未提供数据集名称、样本量、患者级划分、评价指标、具体分数或对照方法，因此该结论目前只能按作者报告保留，实验协议、消融及统计信息尚未验证。作者提供了代码及预训练模型链接，但其实际可用性与复现条件尚未核验。 平台推测（待验证）：患者级配对和元数据引导表示可能对应 EEG 跨被试差异这一瓶颈，但依赖可靠的被试标识、重复记录及可用元数据；RAAM 的视网膜空间先验不能直接迁移到 EEG，需要改造为通道或时频结构上的掩码。低信噪比、小数据及年龄等元数据与标签间的混杂可能使模型学习人群捷径。一个可检验的小实验是在固定的跨被试划分下，对比 EEG 自监督基线、加入真实元数据与加入打乱元数据的版本，以核对增益是否确实来自有效患者信息；这并非原论文已验证结果，相关 EEG 工作尚未检索确认。