ΔRepresentation：通过反事实推理为医学 VLMs 学习几何监督的表型表征

基于摘要分析。该研究针对医学 VLMs 中病理表型与正常解剖信息混合编码的问题，提出 ΔRepresentation：先学习解剖表征，再以病灶相对于对应正常解剖的表征增量刻画表型，而不只依赖语义引导的表征对齐。 框架包含两个模块。BaseAnatomy 利用解剖结构内部及结构之间的空间关系提供细粒度几何监督；ΔPhenotype 计算病灶表征与对应正常解剖表征之间的增量，并监督同一表型的增量在表征空间中聚集。其关键设计是把学习对象从病灶整体表征转向相对于正常解剖的变化量。摘要未说明正常参照如何获取、配对或生成，也未给出具体损失形式与训练流程；“反事实”在此是作者的方法定位，不能据此认定其识别了因果效应。 作者报告，在 ReXGroundingCT 和 LIDC-IDRI 上，该方法改善了病理表型表征的组织性，并提高了医学 VLMs 的病灶定位与表型刻画准确性。摘要未提供具体分数、数据划分及对照基线，实验协议、消融及统计信息尚未验证。复现时应重点核对正常参照构造、几何监督来源，以及两个模块分别带来的收益。摘要提供了代码地址，但代码内容与可运行性尚未验证。 平台推测（待验证）：假设 EEG 中存在可靠的条件匹配参照，增量表征思路可能用于区分稳定背景活动与任务相关变化，对应被试或会话差异掩盖任务信号的瓶颈。可借鉴差分表征与同类增量聚集目标，但解剖空间监督需改造为适用于 EEG 的通道或时空关系约束，且依赖参照匹配、任务标签与可用数据规模。低信噪比可能使差分放大噪声，跨被试参照失配、通道变化和小数据也可能破坏增量的一致性。一个可证伪的小实验是在固定 Cross-subject 划分下，比较原始表征与使用被试内匹配基线构造的增量表征，并加入打乱参照对照，检验收益是否确实依赖有效参照。相关 EEG 工作尚未检索确认。