CoBooM：用于医学图像表征学习的码本引导自举

基于摘要分析。该研究针对医学图像具有较高解剖相似性、现有自监督方法难以稳定捕获多样语义内容的问题，提出 CoBooM，通过在自监督学习中引入码本并结合连续与离散表征，学习医学图像特征。原论文的主要研究对象是胸部 X-rays 和眼底图像，而非 EEG 或 BCI。 机制上，码本被用作紧凑的视觉模式字典，以隐式利用解剖相似性。作者将连续表征的作用描述为保留细粒度细节，将离散表征的作用描述为借助结构化嵌入空间提取粗粒度特征。摘要未给出码本构建与更新方式、自举目标、损失形式或两类表征的融合细节，不能据标题补全具体实现。 作者报告，在涵盖胸部 X-rays 和眼底图像的多种医学数据上，CoBooM 在分类与分割任务中取得显著性能提升；摘要未提供具体数据集名称、划分、对照方法、指标数值或统计检验，因此尚不能判断收益幅度及其适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中存在可跨样本复用的局部时频模式，连续表征保留细节、码本组织粗粒度模式的机制可能具有借鉴价值，但这不等同于医学图像中的解剖相似性。迁移需将图像编码与增强改为适合 EEG 的时序或时频处理，并核对码本是否编码了被试差异、通道配置或噪声，而非任务相关结构；低信噪比与小数据还可能使码本学习不稳定。可检验的小实验是在固定编码器、预训练数据和跨被试划分下，对照连续表征基线与加入码本的版本，检查下游分类收益及码本使用情况。相关 EEG 工作尚未检索确认。