多任务协同预训练与自适应 token 选择：脑表征学习的统一框架

基于摘要分析。本文研究如何从结构磁共振成像（sMRI）中学习兼顾局部细节、全局结构与个体认知差异的脑表征，提出结合 Multi-task Collaborative Pre-training（MCP，多任务协同预训练）与 Adaptive Token Selection（ATS，自适应 token 选择）的 MCPATS 框架。其主要研究对象是 sMRI 脑影像表征及脑疾病诊断，而非 EEG 解码或 BCI 控制。 MCP 包含四类协同任务：通过掩码重建学习全局上下文，通过畸变恢复捕获细粒度局部细节，通过对抗学习整合不同粒度的特征，并以年龄预测为辅助任务，将年龄作为认知的代理变量，从局部—全局影像特征中显式编码作者所称的认知相关信息。摘要未提供具体损失形式、任务权重或训练安排，尚不能判断各任务如何平衡及其独立作用。 ATS 在下游微调阶段利用相互注意力突出判别性特征，并降低无关信息的影响。具体 token 构造、选择规则和计算开销尚未验证。作者报告，在三个不同的公开数据集上开展脑疾病诊断评估，MCPATS 优于参与比较的方法；摘要未给出数据集名称、疾病类别、样本规模、划分协议、指标或数值，因此无法量化优势或判断泛化范围。 作者还报告，进一步分析支持所学表征包含认知相关信息。需要区分年龄代理监督与直接认知测量：年龄预测本身不能单独确证模型捕获了个体认知差异，相关结论应结合全文中的认知测量和分析方法核对。实验协议、消融及统计信息尚未验证；代码、预处理流程与复现条件也尚未确认。材料未提供其对 EEG 或 BCI 有效的证据，不宜将脑影像诊断结果直接解读为 BCI 算法进展。