基于潜在表示学习的影像组学新型特征工程方法：应用于 NSCLC 亚型分类

基于摘要分析。本文研究非小细胞肺癌（NSCLC）影像组学中的特征工程问题，提出通过潜在表示学习，将原始形状、强度与纹理特征转换为潜在空间特征，以改善不同类别影像组学特征的利用及下游亚型分类。 方法采用包含聚类式损失和重建损失的混合目标：前者用于增强类别间可分性，后者用于缩小原始特征与潜在空间特征之间的差距。其具体映射结构、损失公式、权重设置、监督信息使用方式及训练流程尚未验证，不能据摘要认定其为某种特定网络或自监督方法。 作者报告，在来自 8 个国际开放数据库的多中心 NSCLC 亚型分类数据上，相比 baseline、PCA、Lasso 和 L2,1-norm minimization 四种对照，该方法使多种机器学习分类器在独立测试集上的分类表现显著改善（所有 p < 0.001）；在另外两个测试集上，作者也报告了泛化表现的显著改善。摘要未给出具体性能指标、提升幅度、样本量、中心间划分或统计检验方法，因此显著性不能直接解释为效果量或临床价值。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法可供 EEG 手工特征融合研究参考，其机制对应是对不同类型的数值特征联合施加类别可分性与重建约束，而非直接建模 EEG 时序。迁移假设依赖于可对齐的特征向量和明确的监督协议；损失组合可复用，但输入特征组织、尺度处理及跨被试划分需要改造。低信噪比、通道差异和小样本可能使潜在表示保留被试差异而非任务信息。一个可证伪的小实验是：固定 EEG 特征、分类器和 Cross-subject 划分，将该方法与原始特征及 PCA 对照，所有变换仅在训练被试上拟合，并分别移除两项损失检验贡献。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。