异常驱动的放射影像表征学习

基于摘要分析。该研究面向放射影像中三维模型计算与数据需求较高、任务无关表征难以建立的问题，提出 CLEAR：提取二维切片的嵌入，再通过基于注意力的聚合预测临床终点；同时提出 lesion-enhanced contrastive learning（LeCL），学习由异常信息驱动的 CT 轴位切片视觉表征。 方法上，LeCL 针对 CT 扫描不同位置的二维轴位切片开展表征学习。作者分别采用 Vision Transformers、Vision State Space Models 和 Gated Convolutional Neural Networks 三类架构训练单域对比学习方法。摘要未说明病灶信息如何获取与参与训练，也未给出正负样本构造、损失形式、切片采样及聚合器训练细节，因而尚不能确定该方法依赖何种异常标注或额外监督。 评估覆盖肿瘤病灶定位、肺部疾病检测和患者分期三个临床任务，并与包括 BiomedCLIP 在内的四个基础模型比较。作者报告，使用 LeCL 表征的 CLEAR 优于这些对照，且计算与数据效率更高；摘要未提供具体指标、数值、数据集、患者规模或划分方式，收益幅度及跨任务可比性尚未验证。 复现需核对异常信息来源、训练与测试的患者级划分、预训练数据及计算预算的可比性，以及切片表征和注意力聚合各自的贡献；实验协议、消融及统计信息尚未验证。研究对象是 CT 放射影像，材料未提供 EEG 或 BCI 验证，不能将其结果视为神经信号任务中的有效性证据；相关 EEG 工作尚未检索确认。