EMGKT：放射学报告生成的多粒度知识迁移

基于摘要分析。该研究针对从 X-ray 图像生成放射学报告时，模型难以提取并聚合多粒度医学知识、准确描述关键区域的问题，提出 Efficient Multi-Granularity Knowledge Transfer（EMGKT），结合全局医学知识、细粒度知识蒸馏和疾病诊断专家分类器增强报告生成。 机制上，EMGKT 使用医学视觉语言模型编码全局知识嵌入，以提供医学上下文；Fine-Grained Knowledge Distillation（FGKD）训练任务则利用额外先验编码教师嵌入，并通过知识蒸馏使学生嵌入学习教师知识。推理时仅使用学生嵌入增强细粒度知识，丢弃教师嵌入。作者称该设计无需推理期额外先验，新增计算成本可忽略，但摘要未提供具体开销测量。此外，方法以疾病嵌入初始化一组疾病诊断专家分类器，让不同专家处理不同粒度的特征；先验来源、蒸馏损失形式及专家组合方式尚未验证。 作者报告，在两个广泛使用的公开数据集及多种基线上开展的实验支持 EMGKT 的有效性与迁移能力，并称其可应用于多数现有方法。摘要未列出数据集名称、划分协议、评价指标或数值，因此不能判断提升幅度，也不能将报告生成效果直接等同于临床诊断收益。实验协议、消融及统计信息尚未验证；复现需核对视觉语言模型、额外先验、疾病嵌入来源及训练配置。 平台推测（待验证）：可迁移的机制假设是将训练期较丰富的先验蒸馏到推理期可独立运行的学生表示，以应对 EEG 标注稀缺或部署时先验不可得的问题；这不意味着 X-ray 报告生成结果已证明 BCI 有效。用于 EEG 时需改造信号编码器，并明确全局与局部粒度及先验监督来源，不能直接照搬疾病分类专家。低信噪比、跨被试差异、通道变化与小数据可能使教师知识失配。一个可证伪的小实验是在固定 Cross-subject 划分下，比较同一 EEG 基线与加入训练期先验蒸馏的版本，保持推理输入一致，核对任务指标及推理开销。相关 EEG 工作尚未检索确认。