基础模型嵌入可捕捉筛查乳腺X线中的诊断前变化

一项 arXiv 研究检验筛查乳腺X线的基础模型嵌入是否能编码诊断前组织变化。研究纳入 1773 名接受活检女性（785 例恶性、988 例活检阴性）及 1773 名匹配对照，每人索引检查前至少两次年度筛查。同一流程用于 Mammo-CLIP、HOPPR、MedImageInsight 和 BiomedCLIP 四个 2D 模型。结果显示，沿数据导出的“癌症方向”的纵向移动在部分模型和间隔中显著快于对照，BiomedCLIP 无显著差异。

此前筛查影像的深度表征多依赖任务特定微调或单次检查判读。该研究改为观察同一患者多次筛查间的嵌入移动速度，并横向对比四个预训练来源不同的模型，提示嵌入可能携带与后续活检结果相关的纵向信号，且这种信号与预训练领域是否匹配有关。

机制假设是：基础模型在大规模影像上预训练后，其嵌入空间隐含组织状态信息；若癌变前组织已发生细微改变，则连续筛查的嵌入会沿某个可数据推导的方向加速移动。研究用患者间混合效应模型和患者内对侧乳腺比较来检验该移动是否与后续活检结果相关，并以不同预训练领域模型作为对照，判断信号是否依赖模态匹配。

对筛查类影像产品，这意味着可探索以纵向嵌入变化作为辅助分层信号，而不必从零训练任务模型。研发上需要打通同一患者多次检查的嵌入存储与比对流程，并验证不同基础模型的迁移表现；评估指标应从单次分类精度转向纵向轨迹的区分度。

• 构建同一患者历次筛查嵌入的纵向存储与移动速度计算模块，用于辅助标记需优先复核的病例。
• 在乳腺筛查工作流中试点以嵌入漂移为第二读者提示，先做回顾性验证再进入前瞻研究。
• 针对影像 AI 团队提供跨基础模型嵌入兼容性评测，比较模态匹配与通用医学预训练的表现差异。
• 将纵向嵌入变化与现有风险因素结合，开发面向筛查间隔缩短或加做影像的决策支持原型。

• 该“癌症方向”如何从数据中导出，其在不同人群和机构间是否稳定？
• 摘要未给出效应量、AUC 或校准指标，实际区分能力尚不明确。
• 四个模型的结果差异是否完全由预训练领域解释，还是受模型规模与训练数据影响？
• 该信号能否在活检确诊前更早的筛查轮次或不同筛查间隔方案中复现？