基於腦電圖（EEG）的疾病診斷通常需要對每個受試者給出一個預測結果，但現有流程往往將記錄分割成短實例，並將受試者標籤繼承給每個實例，然後訓練實例級分類器。這種方式隱含地假設所有實例都提供同等可靠的診斷證據，但實際中並非如此。為了克服這一侷限，多實例學習（MIL）將每個受試者視為一個“包”，避免直接繼承實例標籤。然而，EEG數據集中受試者數量遠少於實例數量，這限制了端到端MIL學習到的表示質量。
針對這些問題，來自學術界的研究者提出了BridgeMIL，一個將實例表示學習與受試者級監督解耦的兩階段框架。第一階段在不使用繼承實例標籤的情況下預訓練編碼器：通過對齊時間上相鄰的窗口以及獨立採樣的受試者內子袋，使模型學習到有意義的表示。同時引入方差和協方差正則化，防止表示坍縮並減少冗餘，而無需使用負樣本對。第二階段將編碼器遷移到基於注意力的MIL聚合器中，僅對受試者級預測施加監督，並通過特徵保留來限制表示漂移。
實驗在三個EEG疾病數據集和五個代表性骨幹網絡上進行。結果表明，BridgeMIL在15個數據集-骨幹網絡設置中的14個取得了最高平均準確率，整體平均準確率達到76.57%，比最強基線高出4.28個百分點。這一優勢説明，解耦實例表示學習與受試者級監督能夠更有效地利用大量EEG實例，同時避免將疾病標籤錯誤分配給單個實例。
進一步分析揭示了幾個重要發現：首先，不同實例的繼承標籤可靠性存在顯著差異，這驗證了直接使用實例標籤的弊端；其次，模型性能對受試者稀缺性的敏感程度高於對實例稀缺性的敏感程度，表明受試者級多樣性更為關鍵；最後，BridgeMIL學習到的表示空間具有更清晰的結構，呈現出明顯的受試者級聚類，並改善了診斷類別之間的分離。
總體而言，這項研究強調了在利用豐富EEG實例的同時，將監督信號與受試者級預測目標對齊的重要性。BridgeMIL為腦電疾病診斷提供了一種新的建模思路，也為未來在醫療時間序列中處理多實例與多受試者問題提供了參考。