学习解剖结构与疾病的纠缠表征

基于摘要分析。本文研究胸部医学影像中解剖结构与疾病信息的联合表征，提出 LeADER 框架，旨在同时获取解剖知识与疾病知识，而非仅学习彼此分离的语义特征。主要研究对象是胸部 X 光影像，并非 EEG 或 BCI。 核心思路是使解剖特异性表征与疾病特异性表征发生纠缠，以支持下游医学任务。作者将其性能改善归因于这种联合学习方式；但摘要未说明具体网络结构、语义监督来源、表征交互方式、损失函数及训练流程，因此尚不能判断该机制如何实现，也不能据此确认泛化性、鲁棒性或可解释性均得到独立验证。 数据与评估方面，作者使用来自 10 个公开数据集的胸部 X 光影像训练 LeADER。所给摘要中的训练规模写为“≈IM”，字符含义存在歧义，具体数量尚未验证。作者报告，在 11 项医学任务上与 8 个基线比较，评估覆盖 zero-shot、linear probing、有限数据及完整微调设置，LeADER 优于 Google CXR Foundation Model、大规模医学模型及全监督／自监督基线。摘要未给出各任务指标、具体分数、划分或逐项对照结果，不能量化增益或跨协议直接比较。 复现时需核对解剖与疾病信息的构建方式、训练及测试数据划分、各基线的预训练与微调条件，以及不同任务中的贡献归因；实验协议、消融及统计信息尚未验证。作者表示代码和模型已在所述 GitHub 项目公开，其可用性与复现完整性尚未核验。当前材料未提供与 EEG／BCI 的具体机制对应关系，不据此提出迁移效果或复现实验建议。