SIA-CT：面向开放词汇 3D 胸部 CT 表征学习的状态结构化条目对齐

基于摘要分析。SIA-CT 研究如何利用放射学报告中的发现及其位置、存在与否、严重程度和确定性，学习可由自然语言查询的 3D 胸部 CT 表征。其核心贡献是将观察状态关系纳入监督，避免仅按发现名称对齐而忽略决定其含义的状态差异。 方法遵循两个互补原则：跨患者条目对齐要求观察状态一致，同次检查内的条目分离则要求有不同发现的证据。框架据此协调条目分离、跨患者对齐及假负例掩码；另以区域级目标，通过共享变换对齐器官支持的视觉特征与报告描述。摘要说明，推理阶段仅使用 CT 与文本，但未提供各目标的具体损失形式、状态提取流程或器官支持信息的构建方式。 作者报告，在 750 个由报告派生的状态问题上，SIA-CT 的四轴宏平均 Accuracy 为 66.8%，比匹配的条目化基线高 3.5 个百分点。作者另报告，全局评分与文本条件评分融合后，在 CT-RATE 和 RadChestCT 上的 AUROC 分别为 83.3% 和 75.3%；文本条件评分则在汇总状态判别上表现更强。上述结果对应不同评估任务，不宜将状态问题 Accuracy 与数据集 AUROC 直接比较。作者据此主张，应同时评价发现识别与状态判别。 该研究的主要对象是胸部 CT 与放射学报告，而非 EEG 或 BCI。训练规模、患者级数据划分、状态问题构造、四轴指标的精确定义、基线配置、消融及统计信息尚未验证；复现还需核对状态标注与假负例掩码规则。现有摘要不足以支持具体的 EEG/BCI 迁移方案，相关工作尚未检索确认。