超声心动图诊断不再只看整段视频：每个测量值配一个专属令牌，平均AUC从0.659升到0.748

多视图超声心动图研究现在被拆成一组测量专属令牌，每项测量对应一个令牌，诊断时只取与该诊断相关的令牌做判断。 此前的超声基础模型要么直接训练诊断预测，要么用文本报告做对比学习，测量值只以离散文本形式间接出现，无法被下游任务按需挑选。 在MIMIC-IV-Echo上，相对所有基线共用的EchoPrime初始化，平均AUC从0.659升到0.748；在内部队列上从0.730升到0.778，8项诊断中7项提升。

每个测量令牌通过交叉注意力只从与该项测量相关的视图里取信息，再经预测头还原出该测量的数值。 对比学习把整套测量压成单个表格嵌入再与单个超声嵌入对齐，单项测量因此无法在学习到的表示中被分解出来。 训练用掩码、按方差归一化的均方误差，只对实际观测到的（研究，测量）对计算损失；两个数据集分别训练，MIMIC-IV-Echo含4,514名患者、7,144项研究，内部队列含7,404名患者、9,431项研究。

测量令牌之间的注意力模式与心内科医生认定的测量-视图对应关系基本一致。 此前没有把测量作为中间表示的方法，因此也没有可对照的测量-视图注意力。 在MIMIC上，20个测量-视图对中16个（80%）与医生选择相同，16项测量中13项（81%）一致；三处分歧涉及双平面LVEDV、LVEF和TAPSE，模型偏好的替代视图同样包含相关心脏结构。

报告覆盖的是超声心动图这一具体场景：模型在MIMIC-IV-Echo v1.0和内部队列上分别训练与评估，诊断任务是从结构化测量标签中留出的严重程度分级，覆盖瓣膜病到收缩功能异常。构造诊断专属嵌入时需要预先指定诊断与相关测量的对应关系，这一映射由心内科医生给出。作者提出，该表示学习框架原则上与模态无关，未来可尝试心脏MRI、CT或视网膜成像等其他带定量测量的多视图影像。

作者指出，诊断与相关测量的映射需要人工指定，把领域知识引入了模型，扩展到新诊断时必须重新指定相关测量。合并诊断相关令牌时只尝试了取平均这一种策略，作者认为学习加权或注意力等更复杂的聚合方式可能更好地刻画令牌之间的相互作用。注意力分析中，依赖视图集中缺失视图类型或依赖多普勒视图的测量被排除，因为视图分类器把所有心尖多普勒采集归为一个过粗的类别。