GTP-4o：面向全模态生物医学表征的模态提示异构图学习

基于摘要分析。该研究面向多种临床模态之间的表征差异及实际应用中的模态缺失问题，提出 GTP-4o，以异构图统一表示不同模态，并结合模态提示补全与分层跨模态聚合学习生物医学表征；其主要研究对象是多模态临床数据，而非专门的 EEG 或 BCI 解码。 方法以模态特异性特征为节点、跨模态关系为边，显式建模不同模态的语义属性。面对缺失模态，模态提示补全机制生成用于引导的图拓扑，使不完整的图嵌入向完整表征靠近；这属于表征层补全，不能据此认定能够恢复真实缺失的临床观测。随后，知识引导的分层聚合通过全局元路径邻域寻找领域知识路径上的异构邻居，并通过局部多关系聚合实现跨模态交互。 作者报告进行了与既有先进方法对照的基准实验，但摘要未给出具体临床模态、数据集、样本量、缺失模式、划分协议、指标或数值，因而无法核对效果幅度及适用范围。训练目标、图构建规则、提示机制实现、领域知识来源、消融及统计信息尚未验证；项目页的提供也不等于代码或权重已公开。 平台推测（待验证）：若 EEG 与其他临床模态存在可用的配对样本和可靠关系定义，该机制可能用于缓解辅助模态缺失。可复用的是异构图表示与关系聚合框架；需改造的是 EEG 特征编码、节点与边的定义，以及适用于目标任务的领域知识路径。低信噪比、跨被试差异、通道配置变化及小数据条件可能使补全表征偏离真实信号。一个可检验的小实验是在固定跨被试划分下，仅用训练集构图与训练，在测试集按预设比例遮蔽辅助模态，比较完整框架与去除提示补全模块的同构对照，并同时评估任务性能和补全表征偏差。已有 EEG 相关工作尚未检索确认。