跨模态原型分配：计算病理学中通过图像块—文本对比进行无监督切片表征学习

基于摘要分析。本文研究计算病理学中全切片图像（WSI）的无监督表征学习，提出 ProAlign，通过文本语义辅助图像块原型构建，并将图像块聚合为可用于不同下游任务的切片级表征；研究对象不是 EEG 或 BCI。 核心机制：作者指出，基于多实例学习（MIL）的主流弱监督切片表征通常针对特定下游任务，而既有无监督方法主要利用图像块的视觉信息。ProAlign 使用大语言模型（LLM）为 WSI 中的原型类型生成描述文本，通过 patch-text contrast 构建初始原型嵌入，再依据图像块与原型之间的相似度，采用无参数注意力聚合形成切片嵌入。“无参数”仅明确用于该聚合策略，不代表整个框架无需训练；具体对比目标、原型类型来源、LLM 提示与训练流程尚未验证。 结果与证据边界：作者报告，在四个公开数据集的实验中，ProAlign 优于既有无监督框架，并达到与部分弱监督模型相当的性能。摘要未提供数据集名称、任务、划分协议、指标数值或具体基线，因此不能据此量化优势或比较不同评估设置。实验协议、消融及统计信息尚未验证；复现还需核对图像块特征提取器、文本生成过程及原型分配细节。 平台推测（待验证）：其可供 EEG 研究考察的机制是假设文本描述能够为局部信号片段提供可泛化的语义原型，并借助原型相似度聚合长记录。这一迁移依赖片段集合结构及可信的信号—文本语义对应关系，需改造片段编码器、原型描述和跨模态对齐过程；病理图像中的组织语义不一定适用于 EEG。低信噪比、通道差异、跨被试变异及小数据可能使相似度聚合失效。可检验的小实验是在固定 EEG 编码器和跨被试划分下，对照纯信号原型与文本辅助原型，并加入打乱文本对照，检验语义是否带来独立增益。相关 EEG 工作尚未检索确认。