生物医学数据中的个体化与亚型感知表征学习

基于摘要分析。本文研究生物医学数据中疾病异质性被共享背景结构掩盖的问题，提出 CASL-VAE，从无配对的健康参考数据与疾病目标数据中学习共享表征及疾病特异表征，同时支持无监督亚型发现和个体疾病偏离刻画；主要研究对象是生物医学疾病表征，而非 BCI 解码。 机制上，CASL-VAE 将变异分解为共同潜空间和层级显著潜空间：前者捕获两类人群的共享结构，后者刻画疾病特异的亚型结构及亚型内变异。框架结合变分推断与结构化正则化，鼓励共享变异和目标特异变异分离，并支持配对样本生成及跨域比较。这里的 contrastive analysis 不应直接等同于常见的正负样本对比损失；具体损失形式、层级潜变量定义、配对生成机制及可辨识性条件尚未验证。 作者报告在半合成神经影像、真实 Alzheimer’s disease 队列、转录组和合成图像数据上进行评估。在半合成实验中，作者报告其亚型发现优于已有 contrastive analysis 和生成建模基线，尤其是在疾病效应较微弱的设置下；摘要未提供基线名称、指标或数值。在真实 Alzheimer’s disease 数据中，作者报告识别出两种具有生物学合理性、与已知病理特征一致的神经解剖萎缩模式，并生成与认知及生物标志物变量相关的参与者级偏离指数。这些关联不等于已验证的诊断或预后效用。作者还报告使用相同模型配置、无需数据集特异调参即可跨模态保持稳定表现，其适用范围仍需核对。 复现重点是健康参考与疾病目标人群的构成、批次及人口学混杂控制、潜空间分离约束、亚型稳定性，以及偏离指数关联分析的统计处理。数据集名称、样本量、训练测试划分、实验协议、消融及统计信息尚未验证。本文提供的是疾病异质性建模机制，不能将神经影像结果直接视为 EEG 或 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。