ICHOR用11405例ASL脑血流图自监督预训练，在四项下游任务上整体优于结构MRI预训练基线

ICHOR为ASL衍生的CBF图提供了专门的预训练编码器，填补了此前神经影像预训练模型主要面向结构或多对比度解剖MRI、未纳入ASL等生理成像模态的空白。 此前BrainIAC、BrainSegFounder等大规模脑MRI预训练模型聚焦结构成像，ASL CBF缺乏专用预训练骨干；ICHOR以3D掩码自编码器在ASL CBF图上做掩码图像建模，学习可迁移表征。 论文以ViT-Base编码器（12个transformer块、12个注意力头、MLP维度3072）加4块轻量解码器实现，输入为配准到MNI空间、重采样至96×96×96的CBF体积，划分为512个12×12×12的3D patch，掩码比例ρ=0.5，仅对掩码patch计算MSE损失。

研究构建了迄今规模最大的ASL数据集之一，用于跨异质采集设置的预训练。 该数据集包含11405例ASL CBF扫描，来自14项研究，覆盖多站点、多协议（PASL/PCASL、2D/3D、单/多延迟）和异质人群，为ASL预训练提供了此前缺乏的大规模多站点资源。 表A1列出各数据集样本量（如UKB 5383例、PNC 1397例、ADNI 966例等），合计11405例，年龄范围0–100岁，女性占54.7%；所有扫描经自动化工具质控，并按标准化流程预处理。

在四项下游任务上，ICHOR整体优于结构MRI预训练的神经影像自监督基线。 与BrainIAC、BrainSegFounder、MedicalNet相比，ICHOR在CU Aβ−对CI Aβ+分类（AUC 78.93%）、HOA对SVD分类（AUC 73.33%）、AD对bvFTD分类（AUC 100.00%）和ASL质量预测（R2 86.29%、PC 93.11%）上整体表现最佳。 采用嵌套5折交叉验证，每折留出独立测试集，内部80%/20%分层训练/验证划分；下游适配使用LoRA（rank r=8、αLoRA=16、dropout p=0.2），结果报告为五个外层折的均值。

掩码比例对下游性能存在非单调影响，ρ=0.5在多数指标上取得最佳下游表现。 研究比较了ρ∈{0.25, 0.5, 0.75}，发现提高ρ使重建视觉上更清晰，但下游性能并不随重建质量单调提升；在CU Aβ−对CI Aβ+任务上ρ=0.5的AUC为78.93%，高于ρ=0.25的76.74%和ρ=0.75的71.90%。 该比较在相同下游训练协议下进行，结果见表2；论文将其解释为低掩码使重建目标信息量不足、高掩码使可见上下文不足的权衡。

该工作面向ASL衍生CBF图的分析，适用于研究场景与临床MRI协议中日益增多的ASL采集；其预训练语料覆盖多站点、多协议（PASL/PCASL、2D/3D、单/多延迟）与异质人群，下游评估使用与预训练数据独立的机构队列。ICHOR被设计为通用编码器，可经LoRA适配到分类与回归任务，作者提出未来可扩展到去噪、伪影校正等质量增强任务，以及纵向疾病进展与治疗反应建模，并进一步扩充预训练语料以增强跨人群、协议和扫描平台的泛化。

下游队列样本量较小（如HOA n=20、SVD n=15、AD n=27、bvFTD n=36），部分任务指标在折间可能存在波动；随机初始化基线在部分设置下取得更高召回与F1，论文将其部分归因于小队列过拟合与LoRA在强模态不匹配下的适配限制，这一解释仍属推测。掩码比例与下游性能的关系目前主要在单一分类任务上量化，是否推广到其他任务尚待观察。此外，预训练权重与代码在文中表述为“将公开”，其实际可用性与复现细节需以发布为准。