BrainMRI-CLIP：通过视觉—语言—诊断联合对齐增强脑 MRI 表征学习

基于摘要分析。BrainMRI-CLIP 面向神经系统病理高度异质所带来的脑 MRI 通用表征学习难题，将跨模态对比学习与多标签诊断监督结合，使影像既对齐放射学报告的整体语义，又利用显式诊断先验增强类别可分性。 核心机制是视觉—语言—诊断联合对齐：相较主要依靠文本隐式监督的视觉—语言预训练，额外的诊断监督旨在约束表征空间，兼顾报告级语义与诊断类别粒度。摘要未提供诊断标签的提取与核验方式、具体损失形式、损失权重或编码器配置，这些尚未验证。 作者报告，在包含 50,053 对常规临床 MRI 与报告的数据集上开展实验；在 47 类脑异常分类任务的线性探测评估中，加入诊断监督后 Macro F1 从 0.2723 提升至 0.5275。作者报告，跨模态检索的 Image-to-Text R@1 提升超过 17%，但摘要未明确这是相对增幅还是百分点变化，也未给出检索候选池设置。作者还报告，相对纯对比学习，下游迁移在 BraTS 2018 局灶病灶识别和 ADNI 弥漫性神经退行性疾病分类中，AUC 分别最多提高 6.64 和 5.61 个点；不同任务的增益不宜直接比较。 阅读与复现时需核对患者级数据划分、诊断标签来源、预训练与下游数据的独立性，以及对照设置、消融和统计信息；这些均无法由摘要确认。该研究的主要对象是脑 MRI 分析，并非 EEG 解码或 BCI，现有材料不足以建立具体的 EEG 迁移机制，因此不提出跨模态迁移实验建议。已有 EEG 相关工作尚未检索确认。