学习用于阿尔茨海默病分类的可解释连续表征

基于摘要分析。该研究面向使用 MRI 进行阿尔茨海默病（AD）分类的问题，提出 ICReL（Interpretable Continuous Representation Learning），旨在同时刻画疾病阶段之间的连续关系与提高学习表征的可解释性，服务于神经退行性疾病的计算机辅助诊断。 方法动机是：AD 逐渐进展，不同阶段之间的差异较细微，而已有深度表征学习方法可能忽略连续标签之间的有意义关系。ICReL 以 coding rate 原理为基础学习跨疾病阶段的连续表征；但摘要未给出具体目标函数、连续标签的定义与编码方式，以及可解释性的实现和验证标准，尚不能判断其解释来自何种表征结构或分析机制。 作者报告，在 Alzheimer’s Disease Neuroimaging Initiative（ADNI）数据集上，与使用 2D 切片或 3D MRI 的多种基线相比，ICReL 在连续表征学习方面表现更优，并具有更强的标签损坏鲁棒性和预测性能。摘要未提供具体指标、数值、样本规模、数据划分、基线名称或标签损坏协议，因此这些优势只能作为作者报告的定性结论，不能据此量化改进幅度；实验协议、消融及统计信息尚未验证。 阅读全文时应重点核对连续表征与分类目标的关系、可解释性的证据，以及 2D 与 3D MRI 对照的评估条件。该论文的主要对象是 MRI 辅助 AD 分类，不是 BCI；现有摘要不足以建立其 coding rate 机制与 EEG 瓶颈之间的具体对应关系，因此不将其改写为已验证的 EEG/BCI 方法。已有 EEG 相关工作尚未检索确认。