ΔRepresentation：面向医学 VLMs、通过反事实推理实现的几何监督表型表征学习

基于摘要分析。该研究面向医学视觉语言模型（VLMs）的放射影像解读，试图区分基础解剖信息与叠加其上的病理表型变化。作者提出 ΔRepresentation，通过几何监督学习解剖表征，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 BaseAnatomy 和 ΔPhenotype 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。其核心机制是将表型建模为相对于正常解剖的变化，而非直接将病灶整体表征与语义对齐。正常解剖参照的构造方式、反事实对应关系及具体损失形式尚未验证。 作者报告，在 ReXGroundingCT 和 LIDC-IDRI 上，该方法能够组织病理表型表征，并提高医学 VLMs 的病灶定位（lesion grounding）与表型刻画准确性。摘要未给出具体指标数值、划分协议或对照基线，因此无法据此判断提升幅度及不同设置下的稳定性；实验协议、消融及统计信息尚未验证。 摘要提供了代码地址，但代码内容、可运行性、训练配置及预训练权重依赖尚未核验。复现时值得优先核对几何监督所需标注、正常解剖参照的获取流程，以及两个模块的独立贡献。该论文的主要研究对象是放射影像中的病理表型，并非 EEG 或 BCI；现有材料不足以建立具体迁移路径，不据此推断神经信号解码效果。已有 EEG 相关工作尚未检索确认。