用于 MRI 多标签诊断的神经认知潜在空间正则化

基于摘要分析。研究针对横断面脑 MRI 多标签诊断中深度学习表征的可解释性问题，通过神经心理测验分数对潜在空间进行成对解耦正则化，使表征沿特定方向的差异对应临床认知差异。主要研究对象是 MRI 诊断与认知表征，并非 EEG 解码或 BCI 系统。 核心机制是约束两个脑 MRI 样本在潜在空间解耦方向上的表征差异，使其与两者神经心理测验分数的差异相近。研究使用神经心理 z 分数（NPZ）作为解耦依据；摘要说明 NPZ 与认知损伤严重程度负相关。该机制为潜在空间引入临床意义明确的连续变量约束，而非仅依靠诊断标签组织表征。具体损失形式、成对样本构造、网络结构及训练流程尚未验证。 研究样本包括 156 名对照、165 名轻度认知障碍（MCI）患者、166 名 HIV 相关认知障碍（HAND）患者，以及 32 名感染 HIV 但无 HAND 的个体。作者报告，在交叉验证下，加入解耦的模型较同一模型不使用解耦时获得统计显著更高的 Balanced Accuracy；摘要未给出具体分数、增益或交叉验证划分方式。作者还报告，解耦方向上的表征差异与 NPZ 差异显著相关，参与分类的脑区与神经科学文献一致。相关性强度、显著性检验及脑区解释方法尚未验证。 平台推测（待验证）：若 EEG 任务具有可靠的连续认知评分及匹配的诊断监督，可尝试复用“表征差异对齐评分差异”的正则化思路；这不意味着 MRI 结果已证明其 BCI 有效性。迁移需替换 MRI 编码器，并明确 EEG 试次与个体评分之间的对应关系。低信噪比、跨被试差异、通道配置变化和小样本条件可能使评分约束捕捉混杂因素。一个可证伪的小实验是在固定 Cross-subject 划分下，比较同一 EEG 分类器加入与不加入该约束的 Balanced Accuracy 及留出被试上的表征—评分关联。已有相关 EEG 工作尚未检索确认；原论文的实验协议、消融及统计信息尚未验证。