重新思考基于脑电图的疾病诊断：将实例表示学习与主体级监督解耦

arXiv:2607.27274v1 公告类型：新摘要：基于脑电图的疾病诊断需要每个主题进行一次预测，但常见的管道将记录分割成短实例，继承每个实例的主题标签，并训练实例级分类器。这假设所有实例都提供同样可靠的诊断证据。多实例学习 (MIL) 通过将每个主题视为一个包来避免继承标签。然而，EEG 数据集包含的主题远少于实例，这可能会限制端到端 MIL 学习的表示的质量。我们提出了 BridgeMIL，这是一个两阶段框架，它将实例表示学习与主题级监督分离。第一阶段通过对齐时间附近的窗口和独立采样的主题内子包来预训练编码器，而无需继承实例标签。方差和协方差正则化可以防止崩溃并减少冗余，而无需负对。第 2 阶段将编码器转移到基于注意力的 MIL 聚合器，仅对主题预测应用监督，并通过特征保留来限制表示漂移。在三个 EEG 疾病数据集和五个代表性主干中，BridgeMIL 在 15 个数据集主干设置中的 14 个中获得了最高平均准确度，总体平均准确度为 76.57%，比最强基线高 4.28 个百分点。进一步的分析揭示了跨实例的继承标签可靠性的显着差异，对主题稀缺性的性能敏感性比实例稀缺性更高，以及具有不同主题集群的更结构化的表示空间以及改进的诊断类别之间的分离。总之，这些发现强调了将监督与受试者级预测目标保持一致的重要性，同时从丰富的脑电图实例中学习，而不将疾病标签分配给个体实例。