HypTI：基于表格与图像数据进行痴呆检测的双曲几何感知多模态特征融合框架

基于摘要分析。该研究面向临床表格评估与 MRI 扫描联合支持的痴呆检测，提出 HypTI，在双曲空间中共同建模两类数据及其跨模态交互，以表达临床评估的层次关系和脑部解剖的多尺度模式；研究对象并非 EEG 解码或 BCI。 机制上，HypTI 使用可学习的 Lorentz 原型表示临床表格变量，以捕捉评估项目之间的层次关系；MRI 分支采用 ROI 引导的多尺度表征学习，在 Lorentz 空间中表达跨脑区及空间尺度的解剖模式。随后，自适应融合模块生成被试特异的尺度与偏移系数，动态调制并整合多模态嵌入，形成患者级表格—图像联合表征。其主要方法区别是将双曲几何用于表格、MRI 及跨模态交互，而不只是沿用欧氏空间融合。摘要未提供具体损失函数、优化方式或网络结构细节。 作者报告，在 OASIS-3 数据集上，HypTI 相比代表性方法取得较强表现，但未给出具体指标、数值、对照名称、样本规模及数据划分。需进一步核对患者级划分、重复扫描的处理，以及双曲表征、ROI 多尺度编码和自适应融合各自的贡献；实验协议、消融及统计信息尚未验证，不能据摘要判断其临床泛化能力。 该机制依赖临床变量的层次结构与 MRI 的空间解剖组织，不能直接视为适用于 EEG 或 BCI 的证据；当前材料不足以建立具体迁移路径，不据此提出 BCI 复现实验建议。