CT 基础模型的解剖上下文适配

ACA 是一种轻量级框架，用于适配冻结的 CT 基础模型，实现解剖级视觉-语言对齐，同时增强全局上下文。使用 TotalSegmentator 将 CT 体积分解为解剖级嵌入，通过 transformer 细化并融合跨解剖关系，与放射学报告中的解剖级和扫描级文本对齐。在 Merlin 和 CT-RATE 上评估，ACA 在零样本发现分类中优于冻结基线模型和现有细粒度方法，且嵌入缓存后训练时间不足一小时，注意力权重显示合理的跨解剖上下文路由。

现有 CT 基础模型通常使用整体体积表征，稀释了细粒度解剖信号；而细粒度预训练方法从头训练且计算昂贵。ACA 在冻结模型基础上进行轻量适配，兼顾解剖级对齐与全局上下文，以较低成本提升零样本分类性能，为医学影像分析提供高效新路径。

ACA 利用 TotalSegmentator 将 CT 体积分解为解剖级嵌入，通过 transformer 捕捉跨解剖关系，从而保留并增强全局上下文。它利用冻结的 CT 基础模型表征，避免从头训练，通过缓存嵌入减少计算开销。对齐过程同时使用解剖级和扫描级文本，实现细粒度视觉-语言对齐。

对医学影像 AI 产品，ACA 可降低微调成本，使模型快速适配特定解剖结构，提升零样本发现分类准确率。开发团队可复用冻结基础模型，减少训练资源和时间，加速迭代。

• 为现有 CT 分析产品增加 ACA 适配层，以低成本提升零样本分类性能。
• 将 ACA 集成到影像诊断工作流，实现多解剖结构的自动识别与报告生成。
• 基于 ACA 的注意力权重开发可解释性功能，辅助医生理解跨解剖关联。
• 提供 ACA 作为服务，帮助医院在自有数据上快速适配基础模型。

• ACA 在除 Merlin 和 CT-RATE 之外的数据集上的泛化性能尚未验证。
• ACA 对解剖级文本的依赖程度及标注成本未明确。
• ACA 在多中心、多设备数据上的鲁棒性未评估。
• ACA 的低训练时间是否在更大规模数据上仍能保持，未确认。