用于模态不完整的阿尔茨海默病诊断的层级信息聚合

基于摘要分析。该研究针对阿尔茨海默病（AD）多模态辅助诊断中因采集成本或辐射风险而出现的模态不完整问题，提出异构多模态诊断框架 HAD。其主要贡献是结合多视角 Hilbert 曲线、Mamba 与层级空间特征提取，并以统一互信息学习目标兼顾跨模态语义一致性和模态特异信息；研究对象是医学诊断，而非 BCI。 在空间建模方面，作者提出基于多视角 Hilbert 曲线的 Mamba 模块，并结合层级空间特征提取模块，同时捕获局部空间特征与全局依赖，旨在缓解体素序列化引入的空间不连续问题。摘要未说明多视角构造、序列融合方式及层级模块的具体实现，因此尚不能判断各组件的独立贡献或实际计算效率。 在多模态学习方面，作者在异构多模态嵌入空间中构建统一互信息学习目标，试图在保持语义一致性的同时保留模态特异信息，避免模型偏好引起的模态坍塌。互信息估计方式、损失形式、缺失模态的训练与推理处理流程尚未验证。 作者报告 HAD 在多种模态缺失场景下显著优于现有先进方法，但摘要未提供具体模态、数据集、样本量、划分协议、对照方法、指标或统计结果。实验协议、消融及统计信息尚未验证，不能据此确认其临床可靠性或早期诊断效益。 平台推测（待验证）：其兼顾模态一致性与特异性的目标，可能与 EEG 多模态融合中单一模态主导学习的问题对应；这一迁移仅是假设。可考察互信息目标，但需重新设计 EEG 时间与通道表征、配对监督及缺失模态处理，体素 Hilbert 序列化不能直接视为适用。低信噪比、跨被试差异和小数据可能使一致性约束抹去有效的模态特异信息。一个可检验的小实验是在固定跨被试划分与相同融合骨干下，对比加入和不加入该目标时的受控模态缺失表现，并检查各模态贡献。相关 EEG 工作尚未检索确认。