用于多模态卒中风险预测的自监督模型

基于摘要分析。该研究面向卒中发生前的风险预测，提出融合三维脑影像、临床数据及影像衍生特征的自监督多模态框架，利用未标注临床数据学习不同模态之间的互补信息。研究对象是临床卒中风险预测，而非 EEG 解码或 BCI。 方法以对比学习为基础，将 contrastive language-image pretraining 与 image-tabular matching 模块结合，使影像与表格数据的表示在共享潜在空间中对齐。摘要未交代临床表格数据如何接入语言—影像预训练流程，也未提供具体损失形式、特征构造与训练细节，这些内容尚未验证。 模型使用 UK Biobank 的结构脑 MRI 和临床数据训练，并在表格、影像及影像—表格组合输入下，与单模态和多模态方法比较，评估包含模型冻结与可训练的不同设置。作者报告，相比自监督表格方法，ROC-AUC 和 Balanced Accuracy 分别提高 2.6% 和 3.3%；相比自监督影像方法，两项指标分别提高 2.6% 和 5.6%；相比最佳多模态监督模型，Balanced Accuracy 提高 7.6%。这些数值沿用摘要表述，尚不明确指相对百分比还是绝对百分点，也无法对应至具体冻结或可训练配置，不宜扩展解释。 作者报告，可解释性分析显示模型更好地整合了表格与影像信息；Gradient-weighted Class Activation Mapping 热图所突出显示的脑区，与既有文献中涉及脑老化、卒中风险及临床结局的区域相关。这类可视化不能单独证明因果机制或临床有效性。 被试规模、卒中事件数量、预测时间窗、数据划分、类别不平衡处理、外部验证、消融及统计信息尚未验证，复现还需核对预处理与模型实现条件。摘要未提供与 EEG/BCI 的直接机制对应，因此不据此提出迁移有效性结论或复现实验建议。