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例項，並將受試者標籤繼承給每個例項，然後訓練例項級分類器。這種方式隱含地假設所有例項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，多例項學習（MIL）將每個受試者視為一個“包”，避免直接繼承例項標籤。然而，EEG資料集中受試者數量遠少於例項數量，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，一個將例項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例項標籤的情況下預訓練編碼器：透過對齊時間上相鄰的視窗以及獨立取樣的受試者內子袋，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，並透過特徵保留來限制表示漂移。
實驗在三個EEG疾病資料集和五個代表性骨幹網路上進行。結果表明，BridgeMIL在15個資料集-骨幹網路設定中的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。這一優勢說明，解耦例項表示學習與受試者級監督能夠更有效地利用大量EEG例項，同時避免將疾病標籤錯誤分配給單個例項。
進一步分析揭示了幾個重要發現：首先，不同例項的繼承標籤可靠性存在顯著差異，這驗證了直接使用例項標籤的弊端；其次，模型效能對受試者稀缺性的敏感程度高於對例項稀缺性的敏感程度，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例項的同時，將監督訊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例項與多受試者問題提供了參考。