医学影像中联合嵌入预测学习的可预测性偏置

研究以 CT 表征学习为对象，考察联合嵌入预测架构（JEPAs）是否因偏好可由上下文预测的信息，而削弱局部病理特征，并提出 TAP-JEPA 及预测路径审计分析。基于摘要分析，未取得论文全文。 JEPAs 根据可见上下文预测被掩码区域的教师表征。作者将点预测无法重现上下文未能确定的目标变化这一约束称为“可预测性偏置”：CT 中反复出现的解剖结构通常较易预测，而偶发、局部的病理变化未必如此。TAP-JEPA 采用 ViT-B/3D，在 113,611 个 CT 体积上训练；作者报告其扫描级分类表现可与 COLIPRI、Merlin、VoxelFM 等编码器竞争，但摘要未提供该比较的具体分数与数据划分。 作者通过重放训练时相同的掩码、教师和预测器计算，审计预测路径。作者报告，预测使病理的平均 Skill（经患病率归一化的平均精确率）从 0.388 降至 0.271，解剖结构则从 0.921 降至 0.873。在沿教师表征中区分病理区域与同器官匹配对照区域的方向上，预测使病理向对照移动 34.7%，对照向病理移动 13.6%，且远离可见上下文时偏移更大。 作者还报告，在四类病理中，替换可见匹配对照表征，比完全替换病理表征更能增加周边目标的预测损失。在七个扫描级探针中的四个，移除全部末层病理 tokens 后，决策间隔下降至多 0.45%。这些结果支持作者关于“上下文可预测性不足以替代临床相关性”的判断，但不能据此推广为所有 JEPA 或所有医学任务均会忽略病理。 需进一步核对 Skill 的具体定义、区域匹配与替换操作、探针任务、数据划分及统计不确定性；实验协议、消融及统计信息尚未验证。本研究直接证据来自 CT，而非 EEG 或 BCI，不构成其在神经信号任务中有效或失效的证据。