ReMAP：用于揭示脑表征与脆弱性的自监督学习

ReMAP 研究全身麻醉过程中 EEG 状态变化的轨迹几何，能否提供超越单一麻醉深度指数的临床信息；核心贡献是从原始双电极额部 EEG 无标签学习低维表征，将麻醉深度与患者状态转换路径中的其他结构共同呈现。基于摘要分析，未取得论文全文。 方法采用基于相似性的自监督学习，使麻醉深度成为低维空间中可解读的一个轴，同时利用患者轨迹的形状描述额外差异。摘要未说明相似性构造、具体损失、输入窗口或轨迹几何指标。作者报告，表征空间还呈现出独立于麻醉深度的年龄梯度，并与额部 alpha、slow-delta 和爆发抑制等已知麻醉 EEG 特征对应；这些结果支持表征的生理可解释性，但不等同于已确证其编码了特定脆弱性机制。 作者在两个队列、两种采集系统、合计超过 1,000 名患者的数据上验证表征，报告麻醉深度预测相对于 BIS 的平均绝对误差为 3.2，R² 为 0.82。作者还报告，在稀疏电极配置下，约 68k 参数的模型可与 4M–157M 参数的 EEG 基础模型竞争；具体模型、训练条件、划分及逐项对照结果尚未验证，因此这一比较不能外推至其他 EEG 任务或采集配置。 在具有纵向随访的独立队列中，作者报告早期轨迹几何对 30 个月认知与死亡结局具有区分能力，提供与年龄互补的信息，AUROC 为 0.86。摘要未明确该数值对应的具体终点、结局组合与建模协议，需结合全文核对。实验协议、消融及统计信息尚未验证，包括患者级划分、跨系统评估方式、置信区间及临床混杂因素处理。 该工作的直接对象是麻醉 EEG 表征及围术期风险关联，而非 BCI 控制或通用 EEG 基础模型。轨迹几何与远期结局的关系目前应理解为作者报告的关联性证据，临床应用仍需前瞻性验证。